Hy-Nomas hướng tới tạo thế giới tương tác bằng lệnh tự do
Hy-Nomas là mô hình thế giới video với 8 tỷ tham số, được thiết kế để tạo ra môi trường tương tác từ các lệnh văn bản tự do, đồng thời duy trì lịch sử liên quan và hệ quả của những hành động trước đó. Mô hình hỗ trợ nhiều lượt tương tác, điều khiển camera liên tục và các đoạn video có độ dài thay đổi dựa trên đầu vào hiện tại cùng ngữ cảnh quá khứ được lưu lại. Thiết kế của Hy-Nomas kết hợp chú thích video có cấu trúc với cơ chế chú ý nhân quả theo hành động: thông tin mô tả về thế giới vẫn được duy trì, còn mỗi chỉ dẫn hành động chỉ tác động trong khoảng thời gian phù hợp. Một bộ Tăng cường Prompt đa phương thức chuyển yêu cầu của người dùng và lịch sử tương tác thành các điều kiện có cấu trúc; quá trình huấn luyện lần lượt bổ sung khả năng tạo nhân quả, tương tác bằng văn bản, điều khiển camera, sử dụng lịch sử do mô hình tạo ra và chưng cất khuếch tán. Đánh giá với con người cho thấy Hy-Nomas đạt kết quả tốt hơn theo các thước đo được báo cáo, cho thấy tiềm năng tạo ra những thế giới tương tác do AI sinh ra nhất quán và dễ kiểm soát hơn.
Các nhà phát triển game và nhóm nghiên cứu AI nên theo dõi Hy-Nomas vì thiết kế này hướng tới thế giới ảo có thể phản hồi liên tục với lệnh văn bản và giữ được hệ quả của hành động trước đó. Đây hiện phù hợp hơn để tham khảo cho nghiên cứu và thiết kế hệ thống, chưa phải một công cụ mà người dùng có thể mặc định triển khai ngay.
Đọc bài gốc