Zing-0.5 меняет события в игровом мире по тексту и клавиатуре

Препринт, ещё не рецензирован · ранние данные

Кратко

Модель создаёт миры, где игрок одновременно управляет клавишами и текстовыми командами: в демонстрации событие изменилось без перезапуска генерации. При разрешении 832×480 она выдавала 24 кадра в секунду; в 158 тестах навигации получила общий балл 81,0, а оценка аренды серверов составила около $0,009 за минуту потока.

Зачем это знать?

Работа показывает, как текстовые команды можно совмещать с обычным управлением во время игры. Но это препринт: результаты получены на ограниченном наборе навигационных тестов, а универсальность модели ещё предстоит проверить.

Разбор

Zing-0.5 — это модель, которая не просто рисует следующий кадр, а пытается поддерживать связный игровой мир. Для этого авторы записывали видео с одновременными отметками: какие клавиши нажимал игрок, какую текстовую команду он давал и что происходило на экране. Так модель учится связывать силу и направление движения с текстовым указанием вроде изменения события, а не воспринимать эти сигналы по отдельности.

Главная техническая проблема — как менять происходящее постепенно, не начиная сцену заново. Авторы сначала обучили более крупную модель работать с целыми связанными фрагментами видео и несколькими командами, а затем передали её поведение более быстрой модели, которая генерирует мир небольшими блоками. Такой подход должен помогать сохранять контекст между блоками: игрок продолжает движение, а текстовая команда влияет на развитие сцены в нужный момент.

Модель содержит 5 миллиардов параметров и выпущена вместе с весами, кодом запуска и инструментом для серверной подачи. Это позволяет другим исследователям не только посмотреть демонстрацию, но и повторить эксперименты у себя. При этом работа показывает прежде всего работоспособность подхода на навигационных сценариях, а не готовую игровую систему для любых жанров и ситуаций.

Ключевые цифры

5 млрд параметровЭто крупная модель: она может хранить сложные связи между движением, текстом и происходящим в сцене, но требует заметных вычислительных ресурсов.

88,5Таков отдельный балл согласованности на тестах навигации — модель достаточно часто сохраняла логичное поведение мира между последовательными действиями.

4 шага генерацииМодель обновляет сцену небольшими группами кадров, что помогает сделать взаимодействие быстрее, чем при пересчёте каждого кадра отдельно.

Можно ли доверять

Это препринт с arXiv, поэтому работу ещё не проверили независимые рецензенты. Модель оценивали на 158 навигационных случаях и показали отдельную демонстрацию, но в абстракте нет проверки с реальными игроками или на широком наборе игр; переносимость результата пока остаётся открытым вопросом.

Это препринт, поэтому результаты ещё не прошли полноценную независимую проверку.
Показатели приведены на 158 тестах навигации и не описывают качество поведения во всех возможных игровых мирах.
Стоимость указана как оценка аренды серверов, а не как универсальная цена эксплуатации.

Пересказано ИИ по научной статье. Это научпоп, а не совет врача. Как это устроено

Источник и детали

ЖурналarXiv (via Hugging Face)

Дата публикации у нас17 сентября 2026 г.

Дата источника14 сентября 2026 г.

ОригиналОткрыть

АвторыMingyang Chen, Shengdong Chen, Xiaoxiao Fu, Bosheng Gong, Haoyuan Guo, Bowen Li, Jiawen Li, Kejun Li, Tianpeng Li, Yin Liu