AutoNavi مدل جهانی ABot-World-0 را ارتقا داد؛ دستیابی به نخستین استدلال پایدار و پیوسته ۲۴ ساعته در جهان
اخیراً AutoNavi، زیرمجموعه علی‌بابا، اعلام کرده است که مدل تعاملی و عمومی جهانِ توسعه‌یافته توسط این شرکت با نام ABot-World-0 وارد مرحله تازه‌ای از ارتقاهای فنی شده است. این مدل اکنون می‌تواند روی تنها یک GPU در سطح مصرف‌کننده، تا ۲۴ ساعت به‌صورت پیوسته و پایدار استنتاج انجام دهد، بدون آنکه افت محسوسی در کیفیت تصویر، سازگاری فیزیکی یا پاسخ‌گویی تعاملی ایجاد شود. به گفته AutoNavi، این نخستین بار در جهان است که زمان استنتاج پیوسته یک مدل تعاملی جهان از مقیاس «دقیقه» به «روز» افزایش پیدا می‌کند.
برای مدت طولانی، مدل‌های رایج جهان معمولاً تنها قادر بودند بین ۳۰ ثانیه تا یک دقیقه تولید پیوسته داشته باشند. با افزایش زمان استنتاج، مشکلاتی مانند فروپاشی تصویر، تغییر شکل اشیا، به‌هم‌خوردن قوانین فیزیکی و ناهماهنگی در پاسخ‌های تعاملی به‌تدریج ظاهر می‌شدند. دلیل اصلی این مسئله، انباشته شدن خطاها و تشدید تدریجی آن‌ها در فرایند تولید خودرگرسیو ویدئو (Autoregressive Video Generation) است.
برای حل این چالش، AutoNavi یک الگوی آموزشی جدید برای بازه‌های زمانی طولانی با نام LongForcing معرفی کرده است. در این روش، پایداری بلندمدت و مدل‌سازی پویای سناریوهای باز به‌صورت هم‌زمان در هدف آموزشی مدل لحاظ می‌شوند. در مرحله آموزش، مدل به‌طور مداوم از خروجی‌های تولیدشده توسط خودش به‌عنوان ورودی مراحل بعدی استفاده می‌کند و در عین حال، مجموعه‌ای از محدودیت‌ها تضمین می‌کنند که محتوای تولیدشده همچنان در یک توزیع منطقی و پایدار از جهان باقی بماند. این روش به‌طور مؤثری از تجمع خطا و انحراف توزیع (Distribution Drift) جلوگیری می‌کند و باعث می‌شود کیفیت تصویر، ساختار صحنه و روند تغییرات پویا حتی در استنتاج‌های بسیار طولانی نیز پایدار باقی بمانند.
در حال حاضر، ABot-World-0 به‌صورت رسمی متن‌باز شده و امکان استقرار محلی آن روی یک کارت گرافیک مصرف‌کننده وجود دارد. قابلیت‌های مرتبط با این مدل همچنین در پلتفرم توسعه مدل‌های عمومی جهان AutoNavi با نام ABot-World Studio ادغام شده‌اند.
این پیشرفت می‌تواند ظرفیت کاربردی مدل‌های جهان را در حوزه‌هایی مانند تعاملات بلندمدت، شبیه‌سازی، آموزش ربات‌ها و دوقلوهای دیجیتال (Digital Twins) افزایش دهد و مسیر فنی تازه‌ای برای دستیابی مدل‌های تعاملی جهان به عملکرد خودکار و پایدار در بازه‌های زمانی طولانی فراهم کند.