Как мы за $2k собрали управляемую мировую модель на базе Wan 2.1

Значимый прорыв формирует отрасль ИИ: dnlayu 12 минут назад Как мы за $2k собрали управляемую мировую модель на базе Wan 2. 1 Средний 12 мин 476 Искусственный интеллект Развитие стартапа Разработка игр * Обработка изображений * Кейс Из песочницы Баннер проектаВсем привет! Мы два 19-летних студента второго курса из Казахстана.

В свободное от учёбы время мы развиваем DreamForge — собственный исследовательский проект в области интерактивных мировых моделей. Несколько лет мы с другом занимались инди‑разработкой игр и Minecraft модов. Один из этих модов со временем набрал миллионы загрузок и начал приносить достаточно денег, чтобы финансировать наши эксперименты с облачными GPU.

Технические детали

Получилась довольно странная технологическая пищевая цепочка:мод, ускоряющий запуск Minecraft → аренда GPU → нейросеть, генерирующая управляемые игровые миры. Так появился DreamForge‑World 0. 1 Preview, экспериментальная мировая модель, которая в реальном времени генерирует визуал, принимает управление с клавиатуры и мыши и использует собственные предыдущие кадры как контекст для следующего шага.

Модель работает с перспективами от первого и третьего лица, поддерживает T2V, I2V, V2V или микс этих модальностей (TI2V, VI2V), позволяет менять промпт во время генерации и достигает 14–15 FPS при разрешении 480р на одной RTX 4090. В посте разберём:почему обычную text‑to‑video модель нельзя просто запустить в бесконечном цикле;как мы использовали Wan 2. 1 и LongLive в качестве основы;как переносили управление из Matrix‑Game;зачем потребовались отдельные модули для первого и третьего лица;как удалось получить реал‑тайм инференс на потребительской видеокарте;и почему модель всё ещё забывает собственный мир.

Что именно мы называем мировой моделью (world model)Термин world model сейчас используется довольно широко, поэтому сначала зафиксируем границы. 1 это action‑conditioned визуальный предиктор, работающий в замкнутом авторегрессионном цикле:модель получает визуальную историю;принимает действия пользователя;предсказывает следующее состояния мира;декодирует это в кадры;использует сгенерированный результат как часть контекста для следующего шага. Это принципиально отличается от обычной генерации заранее ограниченного видео.

Отраслевые последствия

Здесь пользователь может изменить направление движения или камеры, а модель должна продолжить сцену с учётом этого действия. 1 не является скрытым игровым движком. Внутри нет системы мешей, физического мира, ECS, точной карты объектов или надёжного 3д состояния.

Модель предсказывает наблюдаемое изображение мира, а не симулирует его через явно заданные правила.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.