GTA world model
интерактивная генерация видео по одному кадру
2 мин чтенияобновлено
Вы даёте модели один стартовый кадр, зажимаете клавиши — и она покадрово генерирует продолжение, сразу отдавая видео в браузер. Это интерактивная world-модель (модель среды): без текстового промпта, только изображение и действия игрока. В основе — собственная архитектура Summaryformer, обученная с нуля; чекпоинт тренирован на GG800, наборе из 800 часов GTA5. В репозитории лежат веса и полный inference runtime: модель, память, сэмплер и стриминговый сервер. Пригодится для экспериментов с интерактивным видео и архитектурами долговременной памяти; нужна CUDA-GPU.
Ключевые особенности
- Summaryformer: 630 205 008 параметров, 28 блоков, ширина 1280, 20 голов по 64, SwiGLU.
- Память кадра: 1008 raw-токенов при 384x672 плюс 96 summary-токенов; последние 2 кадра хранятся целиком, более старые — только summary.
- Один KV-буфер без attention-маски: 6528 ключей вместо 26208 при полном хранении.
- Стартовый кадр не вытесняется: его RoPE-ключи периодически сдвигаются вперёд, чтобы окно не отдалялось.
- Управление без текста: 5 чисел действия, FPS и форма сетки подаются в модуляцию блоков.
Что можно сделать
- Поднять локальный FastAPI-сервер и подключить браузерный клиент по WebSocket: загрузка стартового изображения и приём H.264-потока 384x672.
- Проверить управление удержанием клавиш W/A/S/D, Shift, Space и стрелок: сервер превращает их в 5-числовой action-вектор.
- Сравнить обученное окно 24 кадра и серверное по умолчанию 16 — как summary-токены удерживают дальний контекст.
- Собрать демо интерактивной world-модели для прототипа или демонстрации: только стартовый кадр и действия.
Пример
hf download lucidml/gta --local-dir gta
cd gta
python summary_server.py # 0.0.0.0:3002
Подробнее
Модель: 630 205 008 параметров, 28 блоков, ширина 1280, 20 голов по 64.Память: 96 summary-токенов на кадр, последние 2 кадра целиком, окно 24 кадра (сервер по умолчанию 16); 6528 ключей вместо 26208.
Один latent-кадр декодируется в 4 RGB-кадра; окно 24 покрывает 96 RGB-кадров.
Запуск только на CUDA; один GPU-процесс — один игрок; лимит сессии по умолчанию 180 с, таблица позиций до 4096 frame id.
Есть веса и inference runtime, кода обучения нет; браузерный клиент не входит.










Комментарии