AI-modeller
Tillbaka
Tencent
Tencent Forskning Öppna vikter

H3-World

En interaktiv världsmodell byggd på videomodellen MiniMax-H3 som låter tangentbordet styra både en figur och kameran i genererade spelliknande världar.

  • Världsmodeller
  • Videogenerering
Exempel på genererade världar där figur och kamera styrs med tangentbordet 1 / 6

Exempel på genererade världar där figur och kamera styrs med tangentbordet [1]

Om H3-World[1][3][4][5]

H3-World är en världsmodell, alltså en AI som genererar video som svarar på styrning, ungefär som ett spel där bilden skapas i stället för att renderas. Utgångspunkten är en startbild. Därefter styr man med tangentbordet hur figuren rör sig och hur kameran panorerar, och modellen genererar videon som följer.

Tricket är att tangenttryckningarna översätts till korta engelska instruktioner, en för varje del av den kommande videon, och skickas in genom videomodellens vanliga textväg. En riktad uppmärksamhetsmask kopplar varje instruktion till rätt tidpunkt i videon. På så sätt kan samma startbild följa olika handlingsföljder, och modellen kan till exempel panorera skarpt åt vänster under första halvan och åt höger under andra.

Modellen är byggd genom att finjustera MiniMax-H3 med en lätt LoRA (rang 32) på spelvideor, närmare bestämt 8 000 klipp ur datasetet ABot-World-Explorer-500h. Inga nya, handlingsspecifika delar läggs till. Enligt forskarna fungerar det även i nya miljöer som inte liknar träningsdatan, och modellen kan kombinera figur- och kamerarörelser på sätt den aldrig sett under träningen.

LoRA-vikterna finns på Hugging Face och ModelScope under MiniMax-H3:s community-licens, och koden ligger på GitHub under Apache 2.0. Arbetet kommer från Tencent (som forskningspraktik), National University of Singapore och The Hong Kong Polytechnic University.

Det viktigaste[6][1][3][4]

  • Obs: bygger på MiniMax H3, vars licens inte gäller i EU, Storbritannien, Sydkorea eller USA. För användning i Sverige krävs en separat licens från MiniMax, som de enligt licensen kan bevilja efter förfrågan.
  • Styr figur och kamera med tangentbordet i en genererad värld, utifrån en enda startbild.
  • Tangenttryckningar blir korta textinstruktioner som kopplas till rätt ögonblick i videon.
  • Bara en liten LoRA tränas ovanpå MiniMax-H3, utan nya handlingsspecifika delar.
  • Enligt forskarna klarar modellen nya miljöer och nya kombinationer av rörelser som inte fanns i träningen.
  • Vikterna följer MiniMax-H3:s community-licens; koden är Apache 2.0.

Källor

  1. [1]
    H3-World — Turning Language Understanding into World Control ↗
    Tencent, NUS och PolyU Officiell sida danzer1xxxxchan.github.io
    Publicerad okänt datum Läst 25 okt 2026
  2. [3]
    H3-World: Turning Language Understanding into World Control ↗
    GitHub (Danzer1xxxxChan) Officiell sida github.com
    Publicerad okänt datum Läst 25 okt 2026
  3. [6]
    MiniMax H3 Community License Agreement ↗
    MiniMax Officiell sida huggingface.co
    Publicerad okänt datum Läst 25 okt 2026
  4. [5]
    GPT 6 Astra, Claude Fable 5.1, Qwen 3.8 0902, Gemini 3.8 Flash, Muse Spark 1.3, Atlas: AI NEWS ↗
    AI Search Nyhetsbrev aisearch.substack.com
    Publicerad 6 sep 2026 Läst 25 okt 2026
  5. [2]
    H3-World: Turning Language Understanding into World Control ↗
    arXiv Forskningsartikel arxiv.org
    Publicerad 1 sep 2026 Läst 25 okt 2026
  6. [4]
    H3-World: Turning Language Understanding into World Control ↗
    Hugging Face (DANNY621) Modellkort huggingface.co
    Publicerad 31 aug 2026 Läst 25 okt 2026

Historik

  1. 25 okt 2026
    Licensvillkoren kontrollerade mot MiniMax H3-licensen: gäller inte i EU utan separat licens. [6]
  2. 25 okt 2026
    Tillagd i listan efter AI Search (nyhetsbrev 2026-09-06). [5]

Vår bedömning

Inte bedömd än. Alla kan ändra.

Kommentarer

Inga kommentarer än. Skriv gärna vilket projekt den kan passa i.

⌘/Ctrl + Enter

Mer från Tencent