微软研究院开源MineWorld,实时交互新体验
2025-04-21 23:40:19
0浏览
收藏
微软研究院开源了基于《我的世界》的实时交互式世界模型MineWorld。该模型利用视觉-动作自回归Transformer架构,以每秒4-7帧的速度生成高保真游戏场景,并支持实时互动。MineWorld在视频质量、可控性和推理速度方面均优于现有模型,可用于具身智能研究、强化学习训练、游戏代理开发及视频生成等领域,其开源项目已上线Github和HuggingFace。
MineWorld是由微软研究院开源的一个基于《我的世界》(Minecraft)的实时交互式世界模型。它利用视觉-动作自回归Transformer架构,将游戏场景和动作转化为离散的token ID,通过预测下一个token进行训练。模型采用了并行解码算法,实现了每秒4至7帧的生成速度,支持实时互动。MineWorld在视频质量、可控性和推理速度方面都优于现有模型,如Oasis。

MineWorld的主要功能包括:
- 高生成质量:通过视觉-动作自回归Transformer,MineWorld能够根据视觉和动作生成连贯且高保真的游戏帧。
- 强可控性:模型在动作跟随能力的基准测试中表现出色,能够精确且一致地根据输入动作生成游戏场景。
- 快速推理速度:利用并行解码算法,模型能够以每秒4至7帧的速度生成图像,支持实时互动。
- 作为游戏代理:在训练过程中,MineWorld同时预测游戏状态和动作,可以作为独立的游戏代理进行自主游戏。
- 实时交互能力:用户可以通过Web演示或本地运行与模型进行实时互动,选择初始帧、控制相机移动并执行游戏动作。
MineWorld的技术原理如下:
- 视觉-动作自回归Transformer:MineWorld通过将游戏场景和玩家动作转化为离散的token序列,实现视觉和动作的联合建模。具体包括:
- 图像标记器(Visual Tokenizer):采用VQ-VAE架构,将游戏场景分割为离散的视觉标记。标记器从预训练的检查点开始,在Minecraft数据集上进行微调,以实现高质量的图像重建。
- 动作标记器(Action Tokenizer):将玩家的连续动作(如鼠标移动)量化为离散的标记,将离散动作(如前进、攻击)归类为不同的类别,每个类别由唯一的标记表示。
- Transformer解码器:采用LLaMA架构,接收交错拼接的视觉标记和动作标记序列作为输入,通过下一个标记预测进行训练。解码器能够同时学习游戏状态的丰富表示以及状态和动作之间的条件关系。
- 并行解码算法:为了实现实时交互,MineWorld开发了一种并行解码算法。算法利用相邻图像标记之间的空间依赖性,同时预测每帧中的空间冗余标记。与传统的自回归解码算法相比,显著提升了生成速度,使模型能够在不同规模下达到每秒4至7帧的生成速度。
- 训练:模型通过下一个标记预测进行训练,学习游戏状态之间的动态演变规律以及动作与状态之间的关联。
- 推理:在推理阶段,模型根据输入的当前游戏状态和动作,生成后续的游戏场景。并行解码算法的应用使得模型能够快速生成高质量的游戏帧。
- 评估指标:MineWorld提出了新的评估指标,用于评估生成场景的视觉质量和动作跟随能力。例如,通过比较生成场景中预测的动作与输入的真实动作之间的准确性,来量化模型的可控性。
MineWorld的项目地址包括:
- Github仓库:http://github.com/microsoft/MineWorld
- HuggingFace模型库:http://huggingface.co/microsoft/mineworld
- arXiv技术论文:http://arxiv.org/pdf/2504.08388
MineWorld的应用场景包括:
- 具身智能研究:MineWorld提供了一个高保真、可交互的虚拟环境,适合用于具身智能的研究。研究人员可以用模型训练智能体,学习在虚拟环境中执行任务,如物体定位导航和环境探索。
- 强化学习训练:MineWorld的实时交互能力和高生成质量使其成为强化学习训练的理想平台。研究人员可以用模型快速生成大量的训练数据,帮助智能体在模拟环境中学习最优策略。
- 游戏代理开发:由于MineWorld在训练过程中同时预测游戏状态和动作,具备作为游戏代理的潜力。给定初始游戏状态和动作,模型可以迭代生成未来的状态和动作,模拟长期的游戏过程。
- 实时交互式模拟:MineWorld的快速推理速度(每秒4至7帧)能支持与游戏玩家的实时交互。
- 视频生成与编辑:MineWorld能够生成高质量、连贯一致的游戏视频,可用于视频内容创作,例如生成游戏预告片和教学视频。
本篇关于《微软研究院开源MineWorld,实时交互新体验》的介绍就到此结束啦,但是学无止境,想要了解学习更多关于科技周边的相关知识,请关注golang学习网公众号!
Redis缓存批量清除脚本编写与执行攻略
- 上一篇
- Redis缓存批量清除脚本编写与执行攻略
- 下一篇
- Linux查看DHCP服务器日志的妙招
查看更多
最新文章
-
- 科技周边 · 人工智能 | 13小时前 |
- Transformers generate 怎样返回每步生成分数并定位异常输出
- 308浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · api设计 · 人工复核 内容审核 Categories Moderation API category_scores
- 内容审核接口返回多标签结果时怎样设计分支
- 160浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · 多模态 · token 视觉模型 detail 多图输入 Vision API
- 视觉模型输入多张图片时怎样控制顺序和细节级别
- 386浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · 提示词缓存 prompt_cache_key 稳定前缀 动态输入
- 提示词缓存怎样拆分稳定前缀和动态输入
- 419浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 多模态输入 Gemini API Files API MIME 类型
- Gemini API 怎样把文件输入和文本提示放在同一请求
- 164浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · padding Transformers tokenizer attention_mask input_ids truncation
- Transformers tokenizer 怎样让 padding 与 truncation 对齐批量输入
- 416浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 |
- Hugging Face Datasets DatasetDict 跨 train 与 validation 的 map 处理方案
- 267浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · 结构化输出 · JSON Schema Responses API Structured Outputs strict refusal
- 结构化输出怎样约束模型返回 JSON Schema
- 328浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · openai · 工具调用 Responses API function_call_output call_id
- Responses API 怎样处理工具调用后的继续响应
- 156浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · openai · 多轮对话 Responses API conversation state OpenAI API previous_response_id
- Responses API 怎样用上一轮响应继续多轮对话
- 121浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1064次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1063次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1230次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1173次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1013次使用
查看更多
相关文章
-
- 量化模型本地推理的显存估算方法
- 2026-10-17 501浏览
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览

