Summary
SolarWM 把 interactive video world model 从数据准备到长时程推理的整条链路一次性开源：data engine 把 10 个来源、1.43M canonical clip 归一成含 metric camera 位姿与内参、caption、质量指标、选择决策与 provenance 的 frame-aligned 契约，并把源级预处理与 mixture 构造解耦，连被拒样本带拒绝理由一并发布；模型侧以同一套 fused-PRoPE camera 条件和 bidirectional adaptation → teacher-forced AnyFlow → DMD 三段配方，在 Wan2.2 / LTX-2.5 / MiniMax-H3 上实例化 5B–33B 四条 backbone-native 路线，只用 5 秒序列训练便跑出 4 步采样、无 attention sink 的 60 分钟不间断 rollout。代价是全文零定量评测：Experiments 只有定性图，contribution 里的 “state-of-the-art performance” 与 abstract 的 “real-time interaction” 在正文没有任何数字、baseline 或 ablation 对应。
Problem & Motivation
论文把 interactive world model 的困难定位在两种互相耦合的异质性上，而不是模型容量。数据侧，DL3DV、MiraData、SpatialVID、Sekai、OmniWorld 这些来源在时长、分辨率、相机证据、坐标约定、metric scale、caption 风格与运动分布上都不一致，直接混合会产生不一致的监督，使单源上表现良好的模型在多源训练下退化。模型侧，video generator 在 latent 表示、attention 结构与条件注入机制上差异很大：共享一套适配策略才谈得上可扩展，但忽略这种异质性会破坏预训练能力，而 backbone-specific 的适配又让系统性比较无从谈起。
作者对现状的判断是，已有开源系统大多只覆盖受限的数据来源与 model-specific 实现；即便放出训练代码，processed data、source-to-training 构造、确切的选择与 mixture recipe、与 checkpoint 匹配的优化配置往往仍然缺失，复现一个模型或换一个数据集/backbone 需要重建系统的大部分。已有的多 backbone 发布通常只覆盖两三个 backbone family，因此无法判断一个训练设计到底是通用的还是靠 model-specific 工程撑起来的。SolarWM 要补的是这个可复现基座，而不是某个指标。
Method
1. Open Data Engine：先全量标注，再谈筛选
引擎的中心原则是在施加任何训练期选择之前，把每个来源的每条 canonical clip 全部处理并标注完。不满足默认 recipe 的 clip 不被丢弃，而是连同标注、度量值与机器可读的拒绝理由进入独立的 rejected 分区。high 与 xhigh 因此只是两个方便的质量档，不是”有效数据”的不可逆定义。
统一 sample 契约。 每个样本是 S_i = (V_i, P_i, K_i, C_i, m_i, q_i, π_i)：视频、metric camera-to-world 位姿（N×4×4）、per-frame 内参 (f_x, f_y, c_x, c_y)、dense caption、来源与媒体元数据、完整度量记录、provenance 与 lineage，所有时序模态对齐到同一段确定性选取的帧区间。比 schema 本身更关键的是三个 namespace 被显式分开：physical corpus 存 canonical 样本与标注，logical recipe 存 split 归属、tier 策略、source 权重与 repeat factor，model view 存 backbone 特定的时间窗或预计算 latent。换 recipe 不复制视频，换 VAE 不改变数据选择。
metric camera 标注。 沿用 SANA-WM 的设计，按各来源可得的几何证据选路径。video-only 来源用 Pi3X 估计时间一致但尺度不定的结构、MoGe-2 提供 per-frame metric depth 锚点，融合后送入改造过的 VIPE SLAM，做带 per-frame 内参（由 GeoCalib 初始化）的 bundle adjustment；有 ground-truth 或 COLMAP 位姿的来源保留原轨迹而不用 SLAM 估计替换，Pi3X 只负责把预测结构接到轨迹的 metric gauge 上，用 robust Umeyama Sim(3) 在残差最低的 80% 帧上重估。translation 保持 metric 单位，不做全语料归一化；相机证据缺失或非有限时，只要 recipe 用到相机门就 fail closed。
Clean Plate 派生。 动态的人与车对 camera-controlled world model 是歧义来源，它们引入的运动既不由相机解释、也不可控。作者用 LTX-2.3 Clean Plate IC-LoRA（8 步去噪、strength 1.0、输出 1280×720 @16fps）产出 543k clean clip，作为三个独立 recipe owner 而非对原数据集的静默替换。clean 输出不继承源 clip 的质量评估，caption、视觉指标、语义指标与相机诊断全部重算，metric scale 由确定性的源帧对应恢复，重建不了则 fail closed。
caption 与多轴标注。 全部 1.43M clip 由同一条 Kimi-K2.6 流水线加 caption，prompt 要求只描述持久的环境与稳定场景内容，明确排除人与动物、动态车辆、动作、相机运动与镜头术语，目标是 60–150 词的单段英文。作者给出的理由值得记下来：这是为了降低文本条件泄漏相机控制信息的风险。如果 caption 里写了”镜头缓慢右摇”，camera condition 就不再是唯一的时变控制。除 caption 外还输出 entity density、quality、reject flag、scene type、scene transition 五个结构化字段，另有相机完整性、DOVER、VMAF Motion、UniMatch 光流、PySceneDetect 剪辑点等度量向量，全部保留在发布记录里，包括默认选择用不到的那些——因为不同源域的分数分布本就不同，统一阈值会在一个域里删掉有用轨迹、在另一个域里留下伪影。
source-aware 筛选。 每个 dataset owner 冻结一份带版本的策略，产出 xhigh / high / rejected 三个互斥标签。策略刻意不对称：Sekai-Game 保留高运动的游戏轨迹、不施加通用的相机几何与饱和度门，clean owner 则额外要求变换后的几何与 lineage 检查。作者明确说这是为了避免把所有算过的指标都追认成选择门。
2. Backbone-native adaptation：共享接口，保留原生语义
四条路线共用同一份 data recipe、相机几何接口与训练/推理流程，但保留各自的时间网格、文本表示、attention mask 与原生优化目标。相机条件统一用 fused-PRoPE（同 MosaicMem）：backbone 先施加自己的 video RoPE，再由位姿与内参决定的 projective rotation 直接作用在 query、key、value 上，随后走一次自注意力与匹配的输出变换。相机运动因此进入注意力计算本身，而不是追加一个条件 token 或另起一条相机分支，这也是它能在四个结构不同的 backbone 上复用的原因。
四条路线的差异集中在保留哪些原生部件：
| 路线 | 保留部件 | image 条件 | audio 处理 | VAE 下采样 T / S |
|---|---|---|---|---|
| wan2.2-5B | 原生 TI2V latent 路径，无独立 y | 无；首个 latent 作 clean anchor 并排除出 video loss | 无 | 4× / 16× |
| wan2.2-14B | high-noise expert，训成覆盖全时间步的单一 dense 模型 | 官方 y：4 通道 mask + 16 通道 image latent | 无 | 4× / 8× |
| ltx-2.5-22B | 13.1B video core + 冻结 1.6B Gemma connector = 14.7B | 原生 first-frame latent | 移除 3.7B audio 流与 2.6B AV cross-attention | 8× / 32× |
| minimax-h3-33B | H3 Omni Transformer 与原生多模态 packing | Qwen image/caption 行 + VisualVAE 单帧 anchor | 保留 audio 行，填静音编码并置零 loss | 17n+5 → 5n+2 / 16× |
wan2.2-14B 这条值得注意：它从 I2V-A14B 的 high-noise expert 出发，但不保留两 expert 的路由规则与噪声边界，直接训成一个覆盖全时间步的 dense 模型。minimax-h3-33B 则保留了预训练的 head 划分，维度 [0:96) 保持原生内容表示与 MM-RoPE，只有 [96:128) 接收 camera-relative-pose PRoPE。
3. 三段式训练
- Bidirectional adaptation：双向注意力下最小化 ，回归目标是 backbone 的原生 flow/velocity。这一段既产出因果训练的初始化，也产出 DMD 用的固定双向 teacher。
- Teacher-forced AnyFlow 初始化：latent 序列切成有序块，预测当前块时只能看当前噪声态与 clean ground-truth 历史，未来块不可见。AnyFlow loss 监督任意两个噪声水平之间的 flow map，因此直接产出一个 few-step 的自回归 initializer。这是全文最实质的方法主张：TF-AnyFlow 让 Causal Forcing 与 Causal Forcing++ 各自需要的 Causal ODE / Causal CD 初始化阶段变得不必要，因为 few-step 能力从一开始就被训进去了。
- DMD 因果训练：teacher forcing 看的是 clean 历史，推理看的是模型自己的预测。causal student 用 detached rollout-and-replay（以便回传 KV cache 梯度）按推理时的时间规则生成轨迹，冻结的双向 teacher 给目标分布、可训练的 fake-distribution 模型跟踪 student 当前的 rollout 分布，二者之差给出分布匹配方向。
Key Results
这一节需要先说清楚一件事：论文没有任何定量评测。§7 的全部内容是 Figure 6–11 的采样帧，没有 FVD/PSNR/VBench 一类指标，没有被打分的 baseline，没有 ablation，没有 human eval，也没有训练配置表。独立核查在全文范围对 FVD、PSNR、SSIM、LPIPS、VBench、user study、ablation、baseline 的关键词扫描零命中。下面的”结果”因此分两类：可核对的语料统计，和只有定性图支撑的能力展示。
语料统计。 1,425,694 条 canonical clip，其中 876k 保留（high 471,798 + xhigh 404,795），549,101 条带失败原因发布在 rejected 分区；物理存储 29k shard、约 25.85 TB。按时长看，全部 78k 条短于 81 帧的 clip 都被拒；153–956 帧区间共 858k 条、保留 553k；≥957 帧的长尾保留 82k。Clean Plate 543k = SpatialVID-Clean 298k（73k @81 帧 + 224k @160 帧）+ MiraData-Clean 135k + Sekai-Walking-Clean 109k。81 帧短 recipe 覆盖 10 个 owner、600,320 条物理训练行，对 ABOT / MiraData / Sekai-Game 施加 6 倍 repeat 后每 epoch 870,210 次虚拟出现，held-out test view 1,000 行；另有每 owner 100 条、合计 1,400 行的独立 test view 供 reader 校验。
能力展示。 全部因果生成在 16 fps、4 步采样、无 attention sink 下产出。Figure 6 给四条 backbone 路线在双向预训练阶段的 10 秒 OOD 生成，首帧由 GPT Image 2 或 Krea 合成。Figure 7–11 则全部来自 SolarWM-wan2.2-5B-fast 这一个 causal student：10 秒第三人称 in-domain rollout、分钟级 in-domain rollout、10 秒 OOD rollout、分钟级 OOD 复合轨迹 rollout，以及从 held-out 验证帧出发的 60 分钟不间断自回归 rollout。长视频的设定是干净的——不从输入图重启、不注入参考帧、不拼接独立生成的短片、不用 attention sink，scene prompt 全程固定，唯一的时变外部控制是预设相机轨迹。
作者声称但无证据的三条。 其一，“achieve state-of-the-art performance” 在 Introduction 与 contribution 各出现一次，全文没有任何被打分的对照方法。其二，abstract 与 conclusion 的 “real-time interaction” 没有延迟、吞吐或实测帧率，16 fps 是生成视频的名义帧率而非生成速度。其三，“大部分优化应放在双向训练、AR 适配收敛很快、DMD 需要的步数更少”作为 key finding 写在 Introduction，之后再未被任何步数曲线、GPU 小时或成本表回访；§7.1 的 Configurations 只给推理设置。
Evidence Ledger
| Claim ID | Claim | Type | Source locator | Evidence excerpt | Status |
|---|---|---|---|---|---|
| C1 | 语料 1.43M canonical clip，来自 10 个源数据集，组织为 14 个可独立寻址的 dataset owner | number | §5 | ”corpus contains 1.43M canonical clips derived from 10 source datasets and organized into 14 independently addressable processing partitions” | source-verified |
| C2 | 保留 876k（high 471,798 + xhigh 404,795），rejected 549,101，总计 1,425,694；物理存储 29k shard、约 25.85 TB | number | §5.7 + owner 清单表 | ”876k of the 1.4M canonical clips are retained: 471k in the high tier and 404k in xhigh” | source-verified |
| C3 | Clean Plate 543k：SpatialVID-Clean 298k（73k @81 帧、224k @160 帧）、MiraData-Clean 135k、Sekai-Walking-Clean 109k；LTX-2.3 IC-LoRA、8 步、strength 1.0、输出 1280×720 @16fps | number | §5.3 | ”543k clean clips: 298k SpatialVID-Clean clips (73k at 81 frames and 224k at 160 frames), 135k MiraData-Clean” | source-verified |
| C4 | 四个模型跨 5B–33B：wan2.2-5B / wan2.2-14B / ltx-2.5-22B / minimax-h3-33B，底座为 Wan2.2、LTX-2.5、MiniMax-H3 | number | §1, §6.2 | ”with model sizes spanning 5B to 33B parameters” | source-verified |
| C5 | TF-AnyFlow 使 Causal Forcing 与 Causal Forcing++ 各自需要的 Causal ODE / Causal CD 初始化阶段不再必要 | causal-mechanism | §4 | ”TF-AnyFlow removes the need for the additional Causal ODE and Causal Consistency Distillation (CD) initialization stages” | source-verified |
| C6 | fused-PRoPE 的 projective rotation 直接作用于现有自注意力路径的 Q/K/V，不需要独立控制分支或额外注意力 pass | causal-mechanism | §6.1, §4.1 | ”projective rotations act directly on the query, key, and value tensors in the existing self-attention path” | source-verified |
| C7 | 仅用 5 秒序列训练即产出 60 分钟不间断自回归 rollout，且不重启、不注入参考帧、不拼接短片、不用 attention sink | benchmark-setting | §7.3.3, Fig. 11 | ”We do not restart from the input image, inject reference frames, independently generate and splice short clips, or use an attention sink” | source-verified |
| C8 | 全部因果结果在 16 fps、4 步采样、无 attention sink 下生成 | benchmark-setting | §7.1 | ”All reported SolarWM causal results are generated at 16 fps with four sampling steps and no attention sink” | source-verified |
| C9 | 论文两次声称 “state-of-the-art performance”，但全文无任何定量评测：无指标、无被打分的 baseline、无 ablation，Experiments 全为定性图 | sota-novelty | §1 + §7（全篇关键词扫描零命中） | “our models achieve state-of-the-art performance without specialized ODE or consistency-distillation (CD) initialization” | source-verified |
| C10 | abstract 与 conclusion 的 “real-time interaction” 无任何延迟、吞吐或实测帧率支撑；16 fps 是生成视频名义帧率而非生成速度 | number | Abstract, §8, §7.1 | ”The resulting causal models enable real-time interaction over rollouts ranging from minutes to hours” | source-verified |
| C11 | Figure 7–11 的 in-domain、OOD、分钟级与小时级 rollout 全部出自 SolarWM-wan2.2-5B-fast 单一 causal student，其余三条路线只出现在双向阶段的 Figure 6 | benchmark-setting | Fig. 6–11 caption | ”generated by the SolarWM-wan2.2-5B-fast causal student”（Fig. 7/8/9/10/11 一致） | source-verified |
| C12 | ”大部分优化应在双向阶段、AR 适配收敛快、DMD 步数更少”无 ablation、步数、GPU 小时或成本表支撑，全文亦无训练超参表 | causal-mechanism | §1 key findings；§7.1 | ”most optimization should be performed during bidirectional training; AR adaptation then converges rapidly” | source-verified |
| C13 | 发布用将来时表述；Table 1 中 SolarWM 条目是”本次发布的承诺”，其他系统状态核对截至 2026-08-18 | license-code | §2；Table 1 caption | ”Release status was verified from official artifacts as of August 18, 2026; SolarWM entries indicate commitments for this release” | source-verified |
| C14 | Table 1 为 18 个系统的发布矩阵，SolarWM 自评行标 “25.85 TB, 1426k clips” 且每列打勾含 Multi-BB ✓(4)；该表表体在 arXiv HTML 版未渲染，仅存表头 | benchmark-setting | Table 1（PDF p.5；HTML 表体缺失） | “Statistics cover public or committed payloads; “Multi-BB” denotes multiple video-backbone families” | source-verified |
| C15 | 81 帧短 recipe：10 owner、600,320 物理行，ABOT/MiraData/Sekai-Game 6 倍 repeat → 每 epoch 870,210 次虚拟出现；held-out test view 1,000 行，per-owner 100 条合计 1,400 行 | number | §5.6 | ”600,320 physical training rows… producing 870,210 virtual occurrences per epoch” | source-verified |
| C16 | ltx-2.5 路线移除 3.7B audio 流与 2.6B AV cross-attention，保留 13.1B video core + 冻结 1.6B Gemma connector = 14.7B | number | §6.2 | ”3.7B parameters to the audio stream and 2.6B to bidirectional audio-video cross-attention; both removed” | source-verified |
| C17 | caption 排除人、动物、动态车辆、动作、相机运动与镜头术语，作者给出的理由是降低文本条件泄漏相机控制信息的风险；目标 60–150 词单段英文 | causal-mechanism | §5.4 + Table 2 | ”thereby reducing the risk that the text condition leaks camera-control information” | source-verified |
| C18 | 相机标注沿 SANA-WM：Pi3X + MoGe-2 融合后送改造版 VIPE SLAM，per-frame 内参由 GeoCalib 初始化；有 GT/COLMAP 位姿则保留原轨迹，用 robust Umeyama Sim(3) 在残差最低 80% 帧上对齐 | causal-mechanism | §5.2 | ”aligned with a robust Umeyama Sim(3) fit, which is re-estimated from the lowest-residual 80% of frames” | source-verified |
Strengths & Weaknesses
值得学的地方
“先全量标注、再谈筛选”是数据工程上的正确 factorization。把 rejected 分区连同拒绝理由一起发布，等于把选择策略从数据集里剥出来变成可替换的一层。这直接决定了别人能否在这份语料上做与作者不同的实验：像”放松运动过滤会怎样”这类问题，在别的发布里需要重跑昂贵的相机估计与 caption，在这里只是换一份 index。physical corpus / logical recipe / model view 三层分离是整套设计的支点，也是最容易被后来者搬走的部分。
caption 排除相机运动这一条有明确的机制理由。多数数据集的 caption 会顺手描述镜头运动，对 camera-conditioned world model 而言这是条件泄漏，会让模型分不清”因为 camera condition 而移动”和”因为 caption 说了镜头在动而移动”。作者把它写成 prompt 的 hard negative 并给出理由，属于少见的把数据决策讲清楚的做法。
fused-PRoPE 能在四个结构差异很大的 backbone 上复用，是个不算小的经验事实。它不新增分支、不加注意力 pass，只在 Q/K/V 上作用 projective rotation，对 backbone 的侵入性接近最小；minimax-h3 那条只在 [96:128) 维度注入、保留 [0:96) 的原生 MM-RoPE，是把”不破坏预训练表示”落到实处的具体做法。方法学上唯一有分量的新主张是 TF-AnyFlow：Causal Forcing 与 Causal Forcing++ 分别要 Causal ODE 和 Causal CD 才能给 DMD 一个可用的 few-step 起点，把 AnyFlow 的任意噪声水平 flow map 与 teacher forcing 合在一起，原理上确实能一步到位。
必须打折的地方
零定量评测使论文的能力类声明全部不可验收。“state-of-the-art performance” 没有任何被打分的对照，“real-time interaction” 没有一个延迟数字，而”大部分优化在双向阶段、DMD 步数最少”这条本该最容易用步数曲线或 GPU 小时证明的经验发现也只是一句断言。语料统计部分是硬的，能力部分是软的，两者却被写在同一套 contribution 措辞里。
“跨 backbone 通用”的证据强度被训练阶段割裂了。四条路线同时出现的只有 Figure 6 的双向 10 秒 OOD 生成；因果适配、DMD 蒸馏、分钟级与小时级 rollout 的证据全部来自 wan2.2-5B-fast 一条路线。论文实际证明的是”共享数据与相机契约能让四个 backbone 都完成双向适配”，而”三段式配方在四个 backbone 上都能得到可用的因果长程模型”目前只有四分之一的证据，这个区分在 abstract 里没有被保留。
小时级 rollout 的”成立”目前只由稀疏采样帧的可辨识性定义——作者的措辞是 60 分钟端点 remain recognizable and visually coherent。这对 WorldModel-Survey 长期记录的那个问题（动态主体出画再入画会消失或扭曲）没有提供任何判据：场景里没有可控的动态主体，Clean Plate 恰恰把人与车移除了；相机轨迹是预设的，没有回到起点的闭环一致性检验，也没有任何 revisit consistency 指标。“能连续生成一小时”和”一小时内世界保持自洽”是两件事，本文只支持前者。
语料在设计上偏向静态场景加相机控制。Clean Plate 移除动态实体而非建模它们，caption 排除人、动物与动作，唯一的时变控制是相机轨迹。这让 SolarWM 更接近一个可导航的场景外推器，而不是 abstract 所说的”响应 action 或语义指令”的交互式世界模型——后者所需的 action-conditioned 监督在这份语料里被系统性地过滤掉了。最后，发布状态需要分层读：论文本身用将来时，Table 1 里 SolarWM 的满勾是”本次发布的承诺”，其他系统的状态则是 2026-08-18 的核对结果，这张表在方法上不是同一口径的对比。
领域影响的判断。 如果发布确实完整，SolarWM 的价值在于把”数据 → 适配 → 长程推理”第一次做成可重配置的公共基座，让”换一个 filter / 换一个 mixture / 换一个 backbone 会怎样”从系统重建工作变成配置工作。它对 WorldModel 里”Environment Synthesis 工程量大但 insight-light”那条判断是个新实例：工程价值明确，方法学新意集中在 TF-AnyFlow 一点上，而这一点恰恰没有被任何实验隔离。
Connections
- 数据管线开放程度 — vault 里的同类工作都停在”放代码与权重”这一层：ABot-World-0 放出模型与推理栈，但训练语料是内部的 ABot-World-Explorer-500h；Alaya-EVOKE 放出代码与权重，数据构造只在正文描述；DreamX-Phi 1.0 同理。SolarWM 是这批里唯一把 rejected 分区、逐条度量向量、冻结的 per-owner 筛选策略（Table 3 写成可执行的 kept / xhigh 规则）与 recipe index 一并发布的。区别可以这样概括：别的工作让你复现它的模型，SolarWM 让你复现它的选择，也让你推翻它的选择。反过来说，这也是它唯一确定超过同侪的维度——能力维度它一个数字都没给。
- backbone 无关适配 — H3-World 与 SolarWM 的 minimax-h3-33B 路线用的是同一个 33B MiniMax-H3 底座，走的却是两个极端：H3-World 用 7,872 段 clip、rank-32 LoRA、0.199% 可训参数，把控制表达成模板渲染的英文指令塞进原生文本条件；SolarWM 全量训练 backbone，把控制表达成只作用于 [96:128) 维度的 camera PRoPE，保留 [0:96) 的原生 MM-RoPE。两者对”不破坏预训练能力”的解法是同构的（都只动一个受限子空间），但控制模态不同：H3-World 是离散动作，SolarWM 是连续 6-DoF 相机。至于”通用适配配方”这个更强的主张，SolarWM 的证据只覆盖到双向阶段，而 ABot-World-0 与 DreamX-Phi 各自只做单 backbone（都是 Wan2.2），因此”三段式配方跨 backbone 可迁移”在 vault 范围内至今没有被任何工作定量验证过。
- long-horizon 推理 — 这是差别最尖锐的一轴。Alaya-EVOKE 的两小时 rollout 靠一个用 camera pose 直接寻址的外部 geometric world state bank，把 denoiser 的 context 与 session 长度解耦，并在 WBench navigation split 上给了数字（Average 80.8，尽管领先幅度只有 0.1）；ABot-World-0 靠 bounded KV cache 加低比特全栈协同做到单卡 16 FPS 流式，并在 WorldRoamBench 上报了分项，包括明显落后的 memory 维度 0.5041。SolarWM 反过来主张什么记忆机制都不需要：不用 attention sink、不注入参考帧、不做长序列微调，只靠 5 秒训练加 DMD 对齐推理分布就能撑 60 分钟。这个主张比前两者激进得多，却是三者里唯一没有任何测量的。三篇合起来给出一个可以直接做的实验：把 SolarWM-wan2.2-5B-fast 放到 WorldRoamBench 或 WBench navigation split 上跑一遍，就能判定”无记忆机制的长程一致性”到底是结论还是采样帧造成的错觉。
Mind Map
mindmap root((SolarWM)) Problem 多源数据异质 时长 几何 画质 caption 风格不一致 backbone 异质 共享配方 vs 保留预训练能力 现有开源栈不可重配置 Method Open Data Engine 全量标注后再筛选 rejected 带理由一并发布 physical logical model view 三层分离 metric camera 标注 Pi3X + MoGe-2 + VIPE Clean Plate 移除人车 caption 排除相机运动 防条件泄漏 Backbone-native adaptation fused-PRoPE 作用于 QKV 四路线 5B 14B 22B 33B 三段式训练 bidirectional adaptation teacher-forced AnyFlow DMD causal training Results 语料 1.43M clip 约 25.85 TB 876k kept 549k rejected 5 秒训练 60 分钟 rollout 16 fps 4 步采样 无 attention sink 零定量评测 长程证据仅 5B 一条路线
Notes
发布状态的独立核对（2026-09-04，vault 侧检查，非论文内容）
论文用将来时描述发布，我按公开 API 核对了实际状态：GitHub Junchao-cs/SolarWM 存在，Apache-2.0，含 data-engine/、src/、configs/、environments/ 等目录；HuggingFace 上四个权重仓库均已填充——SolarWM-Wan2.2-5B（46 文件 / 194 GB）、SolarWM-Wan2.2-14B（27 / 183 GB）、SolarWM-LTX-22B（17 / 74 GB）、SolarWM-H3-33B（75 / 148 GB）；数据仓库 junchaoh-cs/SolarWM-Data 有 1,584 个文件、合计约 2.73 TB，路径为 SolarWM-Data-Annotation/archives/<owner>/ 加 releases-v1/recipes。2.73 TB 远小于论文所述的约 25.85 TB 物理语料，说明目前公开的是标注与 recipe 层加部分 clip 归档，完整媒体尚未全部上线。归档里存在 abot-controls.tar.zst 这类动作记录，但正文实验没有用到 action 条件。引用这份”完全开源”时应按层区分：代码与四套权重已可用，数据为部分。
值得追的问题
- 唯一的方法学主张 TF-AnyFlow 恰好是唯一没被隔离的东西。最便宜的关键实验是在同一条 5B 路线上，用 Causal ODE + Causal CD 初始化跑一遍 DMD，与 TF-AnyFlow 初始化对比最终质量与总步数。代码与权重都在，这个对照可以自己跑，且能同时检验 §1 那条”DMD 步数最少”的断言。
- 小时级 rollout 需要一个 revisit consistency 判据，而不是端点可辨识性。最小设计：让相机轨迹闭环回到起点，比较 t=0 与 t=T 的重叠视野；再在 HybridMemory 指出的动态主体出画再入画场景上另做一组。SolarWM 的语料因为 Clean Plate 已移除动态主体，恰好构成最有利条件下的上界，这个上界值多少本身就是有价值的数字。
- rejected 分区是一个少见的资源：549k 条带完整标注与显式拒绝理由的样本。可以直接问一个数据侧问题——把 rejected 按理由分层加回训练，哪一类拒绝真的有害、哪一类只是保守？这类实验在别的发布上做不了，正是这套 factorization 的用武之地。
- 一个值得记进 WorldModel-Survey 的 pattern：2026 下半年这批 open interactive world model 报告里，H3-World 与 SolarWM 系统性地以定性图交付、零生成质量指标，而做了定量的（ABot-World-0、Alaya-EVOKE、DreamX-Phi）要么不是第一、要么领先幅度不显著。这不是巧合：长程交互生成缺一个各方都认的评测口径，于是”发得出图”替代了”打得过分”。