К содержимому
Видео

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
ПодробнееМодель: 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.
Примеры
Обсудить Telegram 11

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 2.3 GB · готовые файлы5.7 GB
  • FP8 / INT8рекомендуемвеса 1.2 GB4.3 GB
  • 4-bitвеса 0.7 GB3.8 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # lucidml/gta
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download lucidml/gta --local-dir ~/models/gta
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gta
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (3)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • LightX2V step distill0.6.1от 9 ноября 2026новая версия

    5–10× меньше шагов

    Дистиллированные LoRA и движок: видео за 4–8 шагов вместо 30–50.

    Как включить: Подключите их step-distill LoRA к модели, CFG 1.0, 4–8 шагов.

  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии gta — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

lucidml/gta
Автор
lucidml
Категория
Видео
Дата выхода
На сайте

На сайте

Hugging Face

011

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Видео

NAVA

NAVA