5.91 帧/秒

微软研究院开源了实时交互世界模型MineWorld，以Transformer为核心结合《我的世界》。MineWorld参数量少于Oasis，在多方面表现更优，包括视频质量、可控性和推理速度等方面。MineWorld架构由Transformer解码器、视觉标记器和动作标记器组成，实现高效并行解码算法提高生成效率。