ABot-World-0

键盘原生、第三人称角色记忆的 5B 因果学生；单卡 5090 延迟数字较硬（16 FPS / 1.2s）。

结构化 stub：仓库内 data/models/abot-world-0.yml。

核验字段

字段	值
名称	ABot-World-0
机构	阿里巴巴 AMAP CV Lab（高德）
公开时间	因果学生 2026-07-09；arXiv 2026-07-21
arXiv	2607.19191
参数量	5B（HF：ABot-World-0-5B-LF）
基座	Wan2.2 backbone；HF 5B + Wan2.2 VAE/T5（按同款 5B 后训纳入）
分辨率	720P（论文表 1280×704）
帧率	单卡 RTX 5090 最高约 16 FPS
延迟	action→首帧延迟 1.2s；峰值 VRAM ≈19 GiB（低比特优化包络）
控制	原始键盘；第三人称 reference-character memory；文本条件
模态	视频
时长口径	infinite action-conditioned world rollout；实验性 24-hour uninterrupted demo（2026-08-15）
开源	是
许可	Apache-2.0；500h 动作标注集已发
GPU hours	未公开
训练硬件	训练 GPU：未公开。部署：1× RTX 5090
WBench	未报 WBench（他方表有 ABot-World 行，非本文核验重点）
其他评测	WorldRoamBench（论文：Strict Acc 0.5266 等）；60s/小时级/日级 rollout 定性
核验日	2026-09-19

训练阶段

Teacher：动作注入 + 全参微调双向模型。Student 1 Teacher Forcing → Student 2 ODE distillation → Student 3 LongForcing（长 self-rollout ↔ 扩展视野双向 teacher 分布匹配）。

选型要点

桌面单卡 720p 交互与「有延迟数字」的工程对照。主榜是 WorldRoamBench，不是 WBench。

诚实边界

论文未严格写明字符串 TI2V-5B；本库按 Wan2.2 5B + HF 资产判定为同款纳入。500h 开源数据 ≠ 训练 compute。双向 teacher 路线图待释。

来源

• arxiv
• hf
• data

另见 Wan5B 后训对照、WM 全景、控制接口差异。