2026 年 10 月 13 日——Astronex Robotics 已于 9 月 16 日在 GitHub 与 Hugging Face 开源实时交互世界模型 Astronex-World 1.0，代码与权重均采用 Apache-2.0 许可；该模型参数量 53.5 亿（官方口径 5B 级），在 WBench Full 基准取得 70.0 分，超过受评测的 136 亿参数 LongCat-Video（69.9 分）与 140 亿参数 Helios（69.7 分），单张 48GB 显存的 NVIDIA L20 数据中心卡即可按 24fps 实时流式生成画面。技术报告已于 9 月 17 日提交 arXiv（编号 2609.20034）。
发布与开源情况
Astronex-World 1.0 定位为开放的可控视频世界模型基座：给定文本提示（文生视频）或初始画面（图生视频），模型在帧对齐的相机轨迹、连续动作流与具身标识的驱动下预测未来视觉状态，并支持在生成过程中途插入文本事件改变场景走向。代码仓库、模型权重与项目页分别托管于 GitHub、Hugging Face 与 world.astronex.com.cn，权重与代码统一按 Apache-2.0 许可分发。技术报告署名机构为 Astronex Robotics，作者 Zhou Xin 与 Miao Cong，后者所属机构为南京信息工程大学。
一个值得注意的细节是，项目于 9 月 16 日合并的首个 PR 主动删去了「WBench 均分最高」的初始表述，改为在文档中标注评测分数系作者使用官方评测代码自评后提交排行榜的口径。
模型架构与推理形态
| 项目 | 数据 |
|---|---|
| 基座骨干 | Wan2.2-TI2V-5B（30 层 DiT，隐藏维度 3072，24 头） |
| 参数量 | 5,351,000,000，bf16 精度 |
| 控制条件 | 文本、首帧、相机内外参（PRoPE 注入全部 30 层）、64 维连续动作加 32 类具身标识、事件文本 |
| 输出规格 | 832×480 与 1280×704 两种预设，24fps |
| 采样器 | UniPC：因果形态 8 步（CFG 3.0），双向形态 50 步（CFG 8.0） |
| 训练硬件 | 全部五个训练阶段在 2 张 L20 48GB 上完成 |
| 实时推理硬件 | 单张 L20 48GB 流式生成 |
模型提供两种推理形态：因果形态采用块因果注意力加跨块 KV 缓存，每块 8 个 latent 帧，配 20 帧滑动窗口与 4 个持久 sink 帧，可逐块无限延长生成、并在运行中实时改变动作输入；双向形态保留全时序注意力与教师模型的完整运动，用于对运动精度要求高的单段生成。五个训练阶段依次为双向控制适配、骨干块因果化、稠密 UniPC 轨迹向少步学生蒸馏、混合域动态恢复与非对称 DMD/DMD2 分布匹配。
WBench 评测：5B 级超过 13.6B 与 14B 模型
官方在 WBench 基准（289 个案例、1058 个交互轮，官方评测代码、默认 VLM 评判）上报告：导航子集 Navi（158 案例）73.5 分，全量 Full（289 案例）70.0 分，其中画质分项 78.3 为对比表内最高。
| 模型 | 参数量 | WBench Full 均分 |
|---|---|---|
| Kairos 3.0 | 4B | 65.7 |
| YUME 1.5（同 Wan2.2 底座后训练） | 5B | 68.9 |
| Astronex-World 1.0 | 5B | 70.0 |
| HY-Video 1.5 | 8.3B | 74.3 |
| LongCat-Video | 13.6B | 69.9 |
| Helios（蒸馏版） | 14B | 69.7 |
| LTX-2.3 | 22B | 70.9 |
数据口径：其余模型分数取自 WBench 排行榜 2026 年 9 月 13 日快照，Astronex-World 1.0 分数为作者使用官方评测代码自评；对比表中 8.3B 的 HY-Video 1.5（74.3 分）与 22B 的 LTX-2.3（70.9 分）均高于本模型，「以更小参数量领先」的说法仅成立于 13.6B 与 14B 两档对比。
硬件门槛与部署选项
实时流式的官方口径绑定单张 NVIDIA L20 48GB 数据中心卡，输出 832×480、24fps。消费级显卡方面，仓库提供两条降档路径：因果形态完整配置峰值显存 37.9GB，需 40GB 以上显存，文本编码器按模块换入后降至 27.3GB；causal_consumer.yaml 配置将峰值压至 23.2GB，与完整配置输出位级一致，官方实测 32GB 显存卡（RTX 5090）可运行，24GB 卡在无其他显存占用时可装入，且峰值不随生成时长增长。
下游接口：面向具身智能与自动驾驶
该模型在发布中预留了动作输入与输出双向接口。输入侧的 64 维连续动作流已在发布权重中生效；输出侧的动作预测头（6 个张量）以零初始化状态随权重发布，需经后训练启用，官方说明其可作为逆动力学读出，用于验证动作条件是否真正驱动生成。官方给出的下游方向包括：自动驾驶场景将自车轨迹、转向、速度与油门/刹车写入动作流并以事件文本插入交通状况；具身智能场景用机器人轨迹将动作头后训练为动作序列解码器。仓库同步提供 camera、action、sft 三个后训练配方，均冻结骨干、以 LoRA 适配器增量训练。
举手提问