500小时动作数据集深挖ABot-World训练数据管线与二次开发指南【免费下载链接】ABot-WorldInfinite Interactive World Rollout on a Single Desktop GPU项目地址: https://gitcode.com/gh_mirrors/ab/ABot-WorldABot-World 是一套可在单张桌面显卡上实现无限交互式世界推演Infinite Interactive World Rollout的开源系统其核心支撑正是团队于 2026 年 8 月 3 日开源的 500 小时动作数据集——一份带精确逐帧动作标注的交互式视频训练数据。本文带你深挖它的动作标注格式、训练数据管线以及零基础上手二次开发的完整路径。为什么是 500 小时动作数据集交互式世界模型与文生视频最大的区别在于世界必须对动作做出实时响应。传统视频数据集只有画面没有按下哪个键、画面该怎么变的精确对应关系模型学不到可控性。ABot-World 团队开源了ABot-World-Explorer-500h数据集另有一个 4D 扩展版ABot-World-Explorer-4D500 小时视频逐帧对齐 WASD/IJKL 8 通道动作信号是训练动作条件因果世界模型的关键燃料。基于这份数据 LongForcing 训练最终得到因果学生模型ABot-World-0-5B-LF在单张 RTX 5090 上实现 720P、16 FPS、1.2s 延迟、19GB 显存的无限推演。动作标注格式解剖逐帧 JSON 就是全部打开仓库自带的示例标注文件 web_client/datasets/actions/default_action.json整个动作序列就是一个 JSONtotal_frames: 960、fps: 16—— 960 帧 16fps正好 60 秒frames[]—— 逐帧 8 通道布尔开关与视频帧一一对齐。8 个通道按 web_client/config.py 中的KEY_ORDER排列含义如下通道语义冲突对W/S前进 / 后退互斥A/D左移 / 右移互斥I/K视角上 / 视角下互斥J/L左转 / 右转互斥冲突消解逻辑写在 web_client/keyboard.py同组两键同时触发时新激活activated优先于持续按住pressed保证快速转向不被旧按键拖住。这套格式简单到用任何脚本都能生成是二次开发最重要的切入点。训练数据管线从标注视频到因果模型整条管线可以概括为三段式① 数据侧500 小时探索视频 逐帧动作标注。视频按 16fps 采样与动作帧严格对齐模型才能学到按键 → 画面变化的因果关系。② 训练侧配置见 configs/long_forcing_dmd.yaml。关键设计是 LongForcing长程强迫蒸馏denoising_step_list: [1000, 750, 500, 250]—— 4 步 DMD 蒸馏把多步扩散压缩到极少采样步num_frame_per_block: 3—— 按块做因果生成配合 KV Cache 实现无固定长度上限的流式推演ref_num_slots: 5、ref_resolution: 512—— 最多 5 个 512×512 多视角参考图槽位用于锚定世界外观避免长推演中场景漂移。③ 推理侧pipeline/causal_inference.py 中的set_act()把 8 个按键转成 8 通道 float 向量再广播成控制潜变量act_context注入扩散模型generate_next_block()逐块去噪、KV Cache 增量更新实现无限 rollout。流式调度每块 12 帧、最多 600 块在 web_client/inference.py 中实现。二次开发指南三步扩展你的世界第一步新增场景预设场景的唯一数据源是 web_client/scene_presets.yaml每张首帧参考图 一段描述性 Prompt或直接引用 JSON。把新图放进web_client/datasets/images/在groups下加一行imagelabel即可例如仓库自带的城郊小院第二步定制动作序列仿照default_action.json的格式用脚本生成你自己的frames[]序列前进→右转→蹲下环视……即可让模型自动扮演一段完整探索路径——这是复现数据集标注风格、评估模型可控性的直接手段。第三步调整推演行为分辨率/帧率/块数等常量集中在 web_client/config.pySTREAM_WIDTH、MAX_BLOCKS、FRAMES_PER_BLOCK蒸馏步数、参考图槽位在 configs/long_forcing_dmd.yaml 与 configs/default_config.yaml多视角参考图的自动缓存outputs/ref_image_cache/front/back/left/right/head 五视图 512×512由 scripts/inference.py 生成对应管线中的 5 个 ref 槽位。快速上手清单✅硬件RTX 3090/409024GB 显存可用峰值约 19GB 64GB 内存推荐 Linux CUDA 12.8详见 FAQ.md✅环境优先 Docker 一键方案docker/或按 requirements.txt 手动安装 Python 3.12 PyTorch 2.8 FlashAttention SageAttention✅权重下载ABot-World-0-5B-LF到checkpoints/蒸馏权重已合并进diffusion_pytorch_model.safetensors✅启动bash web_client/run.sh浏览器打开即可用 WASD/IJKL 实时操控世界。小结关注点核心文件动作标注格式web_client/datasets/actions/default_action.json场景预设web_client/scene_presets.yaml按键冲突消解web_client/keyboard.py动作注入管线pipeline/causal_inference.py蒸馏训练配置configs/long_forcing_dmd.yaml500 小时动作数据集的价值不仅在于数据量大更在于逐帧精确的动作对齐——它让交互式世界模型第一次可以在单张桌面显卡上实时跑通按键 → 世界响应的完整闭环。而简洁到极致的 JSON 标注格式正是每个开发者进入这个领域的最佳跳板。【免费下载链接】ABot-WorldInfinite Interactive World Rollout on a Single Desktop GPU项目地址: https://gitcode.com/gh_mirrors/ab/ABot-World创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考