← 返回首页

MoWorld explicado: el modelo mundial NPU en tiempo real que impulsa los modelos mundiales hacia el uso industrial

MoWorld demuestra cómo los modelos mundiales pueden pasar de impresionantes demostraciones a infraestructura implementable. Su principal afirmación no solo es una mejor calidad de generación, sino una interacción en tiempo real a más de 50 FPS en hardware NPU nacional. El artículo explica el motor de datos de MoWorld, las optimizaciones de entrenamiento e inferencia, la dirección de implementación de bajo costo y casos de uso prácticos en juegos, robótica, producción cinematográfica, gemelos digitales y reconstrucción 3D. El código del modelo y el acceso al servicio público aún están marcados como próximos, por lo que la adopción en producción debe esperar más pruebas públicas, documentación y detalles de implementación. **La conclusión principal: MoWorld es importante porque trata el modelo mundial como un motor espacial interactivo e implementable, no solo como otro generador de videos.**

发布于 2026年7月10日•general•GEO 评分: 0•6 次阅读
MoWorldmodelo del mundomodelo del mundo en tiempo realmodelo de IA NPUModelo de Mundo Flashinteligencia espacialmodelo del mundo 4Dmodelo de IA a 50 FPSgeneración de video con IAgeneración de mundo interactivoTecnología MoxinQbitAImotor de simulación de IA

选择语言

العربيةDeutschEnglishEspañolFrançaisItaliano日本語한국어PortuguêsРусский中文
La imagen muestra información relacionada con el modelo mundial NPU de MoWorld. El fondo es oscuro, en la esquina superior izquierda se encuentra el logotipo de MoWorld, compuesto por una figura similar a una casa y la letra «M». En el centro de la imagen, en letras blancas y azules, se lee «MoWorld NPU World Model: 50 FPS Real-Time Interaction and Lower Deployment Cost». Esta imagen se encuentra en un documento que presenta el modelo mundial NPU de MoWorld, está estrechamente relacionada con el contexto y muestra de manera visual las características principales del modelo: interacción en tiempo real a 50 FPS y menor costo de implementación.

MoWorld Explicado: El Modelo Mundial NPU en Tiempo Real que Impulsa los Modelos Mundiales hacia el Uso Industrial

Introducción

Durante el último año, los modelos mundiales se han convertido en una de las ideas más discutidas en la industria de la IA. Un modelo mundial real no es solo un sistema que genera continuamente fotogramas de vídeo. Debe comprender el espacio, predecir el siguiente estado del mundo y responder a señales de control en tiempo real.

Esa parte en tiempo real es importante. Para la robótica, la conducción autónoma, los juegos y el entretenimiento interactivo, cualquier valor por debajo de una tasa de fotogramas fluida se siente rápidamente limitado. En la práctica, más de 30 FPS suele ser la línea base para una experiencia interactiva fluida.

Ahí es también donde la mayoría de los modelos mundiales existentes tienen dificultades.

Moxin Technology, una empresa centrada en modelos mundiales 4D y despliegue industrial, ha lanzado ahora MoWorld junto con socios como el académico de la Universidad de Zhejiang Yunhe Pan y Huawei. El equipo describe MoWorld como un modelo mundial interactivo en tiempo real de pila completa construido sobre infraestructura NPU doméstica.

Según el informe original y la página del proyecto MoWorld, MoWorld alcanza más de 50 FPS durante la inferencia, mientras que el costo de despliegue se reporta como solo aproximadamente el 30% de una solución comparable basada en GPU. Ya está disponible un informe técnico, mientras que los pesos, el código y el acceso público al servicio basado en NPU están marcados como próximamente.

Página del proyecto: MoWorld

¿Por qué los Modelos Mundiales Han Tenido Dificultades para Ser en Tiempo Real?

En comparación con los modelos ordinarios de generación de vídeo, la mayor diferencia en un modelo mundial es la interacción en tiempo real.

Durante mucho tiempo, los modelos mundiales se mantuvieron más cerca de demostraciones de investigación que de sistemas de producción. La pregunta principal ya no era solo si el modelo podía generar contenido visualmente impresionante. La pregunta más difícil se convirtió en si podía soportar control en tiempo real, despliegue estable y una estructura de costos que haga realista el uso industrial.

MoWorld se lanzó en ese contexto. El equipo de Moxin, junto con Huawei como inversor estratégico y colaborador, dedicó casi un año a resolver problemas clave de ingeniería en torno al despliegue de modelos mundiales.

MoWorld toma un fotograma inicial, texto y trayectoria de cámara como condiciones. Luego genera estados futuros del mundo que coinciden con la escena actual y la entrada de control. Con controles continuos similares al movimiento W/A/S/D, los usuarios pueden interactuar con el mundo generado a medida que se desarrolla. En hardware NPU doméstico, el sistema alcanza más de 50 FPS y mantiene bajo el costo de inferencia mediante un diseño a nivel de sistema.

Por Primera Vez, un Modelo Mundial Reduce Costos

Para los modelos mundiales, la calidad de generación es solo el primer paso. Lo que decide si la tecnología puede ser realmente desplegada es el costo de entrenamiento, la eficiencia de inferencia y la interactividad en tiempo real.

MoWorld optimiza todo el pipeline: construcción de datos, entrenamiento de modelos, destilación y despliegue del sistema. El objetivo no es solo mejorar la capacidad del modelo, sino también hacer que el modelo sea más fácil de ejecutar en entornos de ingeniería reales.

La primera pieza clave son los datos. A diferencia de los modelos estándar de generación de vídeo, los modelos mundiales no pueden depender solo de vídeos y texto. También necesitan trayectorias de cámara, profundidad espacial y otros datos 3D.

información. Los videos en bruto de internet no son suficientes.

Para solucionarlo, MoWorld se basa en años de investigación en modelado 3D y 4D. El equipo creó un sistema escalable de producción y gobernanza de datos. Mediante filtros de calidad como la consistencia geométrica, la precisión de la trayectoria y la estabilidad multivista, el sistema mejora el corpus de entrenamiento y proporciona al modelo una base más fiable para aprender reglas espaciales. Esto también ayuda a reducir la carga general de entrenamiento.

Imagen que muestra el proceso de construcción del conjunto de datos de MoWorld. Primero, se recopilan datos de videos de dominio abierto y datos de interacción de juegos. Luego, se realiza una finalización geométrica y control de calidad, que incluye un prefiltrado de nitidez de imagen, estabilidad de cámara, razonabilidad del movimiento, etc., así como máscaras dinámicas, coincidencia de características, reconstrucción geométrica, etc. Posteriormente, se etiqueta el lenguaje visual, generando etiquetas de estilo visual, descripción del sujeto, entorno y fondo, iluminación, color, etc., a través de indicaciones. Finalmente, se realiza un cálculo previo de características fuera de línea, que incluye almacenamiento de características, recuperación de índices, preparación de muestras de entrenamiento, etc. Esta imagen está estrechamente relacionada con el contexto y presenta visualmente el flujo de trabajo del sistema de producción y gobernanza de datos de MoWorld.

Para que el modelo del mundo se pueda implementar en tiempo real, MoWorld optimiza entonces tres etapas: entrenamiento, destilación e inferencia.

Durante el entrenamiento, el sistema se diseña en torno a las características del hardware NPU doméstico. Introduce un paralelismo de atención ultra denso y un paralelismo de tokens de secuencia larga para reducir la presión de memoria al entrenar con videos muy largos. Según el informe original, esto permite el entrenamiento y la inferencia de horizonte largo de hasta 2,000 fotogramas.

Durante la inferencia, MoWorld utiliza ejecución en pipeline, paralelismo de secuencia jerárquico y cuantización dinámica de precisión mixta. Estas optimizaciones del sistema permiten que un modelo del mundo MoE de 14B parámetros alcance hasta 50 FPS en una plataforma NPU doméstica. El costo de inferencia informado es solo de aproximadamente el 30% de una solución de GPU comparable.

Imagen que muestra las tres etapas clave de optimización de MoWorld: pipeline de inferencia en tiempo real, capas paralelas de una sola NPU y múltiples NPU, y cuantización dinámica de precisión mixta. En el pipeline de inferencia en tiempo real, el video 9D se procesa a través de un codificador, bloques DIT y un decodificador visual, logrando una carga de módulos bajo demanda. En las capas paralelas de una sola NPU y múltiples NPU, se logra el paralelismo de los clusters de codificadores y decodificadores mediante comunicación en anillo. En la parte de cuantización dinámica de precisión mixta, se utiliza un front-end HBM-Efficient Attention, se cuantizan los pesos BF16, las activaciones INT8 se cuantizan con precisión mixta a través de SEMM, y se realiza una acumulación INT32 después del cálculo INT8 x INT8. Esta imagen está estrechamente relacionada con el contexto y presenta visualmente las medidas de optimización del sistema de MoWorld en las etapas de entrenamiento, destilación e inferencia.

Imagen que muestra la arquitectura del NPU World Model de MoWorld. La entrada incluye extracción geométrica, descripciones de texto y fotogramas de video. Después del procesamiento por el codificador, pasa a través de módulos expertos DiT de ruido alto y bajo, luego el decodificador visual genera imágenes y finalmente se realiza un posprocesamiento causal de streaming. La parte clave es el clúster de NPU, utilizado para los cálculos del codificador, tokens iniciales, módulos expertos DiT de ruido alto y bajo, y los cálculos del decodificador visual. Esta imagen está estrechamente relacionada con el contexto y presenta visualmente el proceso de optimización del sistema de MoWorld en las etapas de entrenamiento e inferencia.

Desde la construcción de un motor de datos de alta calidad hasta el entrenamiento de secuencias largas y la implementación en tiempo real de bajo costo, MoWorld lleva los modelos del mundo de "poder generar" a "poder interactuar y poder implementarse". Para el uso industrial a gran escala, ese cambio es el punto clave.

Se espera que MoWorld abra servicios al público a través de supernodos NPU domésticos.

MoWorld Lidera las Aplicaciones Industriales para Modelos del Mundo Domésticos

Con la capacidad de modelos del mundo interactivos en tiempo real, MoWorld avanza desde la validación técnica hacia una infraestructura de inteligencia espacial más amplia para múltiples industrias.

En estos escenarios, el modelo no es solo un generador de video. Funciona más como un motor de simulación espacial controlable, ofreciendo a las industrias una forma de generar escenas interactivas, explorables y económicamente desplegables.

Juegos y

Entretenimiento interactivo: control en tiempo real y exploración libre

MoWorld admite control de cámara con seis grados de libertad completos. Los usuarios pueden moverse por las escenas generadas mediante controles de teclado (W/A/S/D) y estilo ratón, creando una experiencia más cercana al roaming cinematográfico o de nivel de videojuego.

Las escenas generadas son realistas y de alta definición. El artículo original menciona compatibilidad con resoluciones de 1080p y superiores.

También abarca una amplia gama de estilos, incluyendo paisajes naturales, escenas de estilo anime, entornos de juego y contenido animado.

Inteligencia incorporada y conducción autónoma: entrenamiento virtual y verificación real

Los modelos de mundo se están convirtiendo en un puente entre la IA generativa y la inteligencia incorporada.

MoWorld puede proporcionar a robots y sistemas de conducción autónoma un campo de entrenamiento digital de bajo costo y alta fidelidad. En este rol, va más allá de ser un generador visual. Ofrece un simulador donde los sistemas de IA pueden aprender a interactuar con entornos físicos antes de ingresar al mundo real.

Para los equipos de conducción autónoma, este tipo de simulación mundial podría proporcionar grandes cantidades de datos ambientales de alta precisión a un costo menor que muchos pipelines de simulación tradicionales.

Producción cinematográfica: movimiento de cámara a nivel de director y previsualización en tiempo real

La previsualización tradicional de películas y el renderizado de storyboards pueden llevar mucho tiempo.

MoWorld permite a los creadores ajustar el punto de vista, previsualizar tomas en tiempo real y editar el movimiento de la cámara dentro de un mundo virtual generado. El control suave de la cámara es especialmente importante aquí, porque los flujos de trabajo cinematográficos a menudo requieren que los directores prueben ángulos, movimiento y ritmo visual antes de la producción.

Gemelos digitales y reconstrucción 3D: reconstrucción espacial con mayor consistencia

Se informa que los videos generados por MoWorld tienen una fuerte consistencia geométrica, lo que los hace útiles para la reconstrucción 3D de interiores.

Según el informe original, el modelo destaca por su alta precisión de reconstrucción, estructura estable y diseño espacial consistente. Estas cualidades son importantes para gemelos digitales, visualización arquitectónica, salas de exposición virtuales, juegos inmersivos y otras aplicaciones espaciales 3D.

Esta imagen se divide en dos grupos de contenido superior e inferior, que presentan los efectos de dos escenas diferentes. La parte superior es una escena de sala de estar interior, con vistas previas de diferentes ángulos dispuestas debajo de la imagen principal. La sala cuenta con chimenea, árbol de Navidad, sofá, lámparas y otros muebles. La parte inferior es una escena de tiendas a lo largo de la calle. La imagen principal muestra la vista de la entrada y el pasillo de una tienda, con vistas previas de diferentes ángulos también dispuestas debajo. En esta escena hay una tienda con el letrero "JUNG MAIR" y otras tiendas con textos. Estas vistas previas muestran intuitivamente que las escenas generadas por MoWorld se pueden ver desde diferentes perspectivas y tienen una fuerte consistencia geométrica, satisfaciendo las necesidades de vista previa multiángulo en aplicaciones espaciales 3D.

Cientos de millones de dólares para Moxin: ¿quién definirá la próxima generación de inteligencia espacial?

El panorama competitivo de los grandes modelos de lenguaje y los modelos de generación de video ya está relativamente claro. Los modelos de mundo son diferentes. El campo aún es joven y aún no hay un líder global ampliamente aceptado.

Los caminos de ingeniería aún se están probando. Los estándares de la industria tampoco están completamente formados.

Para los equipos de IA nacionales, esto crea una ventana poco común. La brecha en la línea de salida no es tan grande como en algunos mercados de infraestructura de IA más antiguos. Los equipos aún tienen la oportunidad no solo de competir, sino también de ayudar a definir los estándares técnicos para la próxima generación.

inteligencia espacial.

La respuesta de MoWorld a esa oportunidad es clara: afirma ofrecer una pila completa de entrenamiento e inferencia ejecutándose sobre infraestructura NPU doméstica, inferencia interactiva en tiempo real por encima de 50 FPS, y un costo de inferencia reducido a aproximadamente el 30% de una solución GPU comparable.

El capital se movió antes de que la industria alcanzara un consenso total. Moxin Technology completó recientemente una ronda de financiamiento por valor de cientos de millones de dólares, con participación de fondos líderes en dólares, fondos nacionales de reserva estratégica y múltiples inversores industriales.

Anteriormente, Moxin también había recibido inversión de Hubble Investment de Huawei y de la plataforma de capital respaldada por LeFund de Lenovo.

La ventana no permanecerá abierta para siempre. La próxima pregunta es quién establecerá los estándares para los modelos del mundo y la inteligencia espacial.

FAQ

¿Qué es MoWorld?

MoWorld es un modelo del mundo interactivo en tiempo real desarrollado por Moxin Technology y colaboradores. Está diseñado para generar estados futuros del mundo a partir de un fotograma inicial, texto y trayectoria de cámara, permitiendo al mismo tiempo control continuo del usuario.

¿Por qué es importante 50 FPS para un modelo del mundo?

Un modelo del mundo utilizado para la interacción necesita responder lo suficientemente rápido para que los usuarios o agentes de IA lo controlen sin problemas. Más de 30 FPS se considera comúnmente una línea base para una interacción fluida, y MoWorld reporta inferencia por encima de 50 FPS en infraestructura NPU doméstica.

¿Es MoWorld solo un modelo de generación de video?

No. El artículo original posiciona a MoWorld como un motor de simulación espacial controlable, no solo un generador de video. Su valor clave es la interacción en tiempo real, el control de cámara, la coherencia espacial y su uso potencial en robótica, juegos, previsualización cinematográfica y gemelos digitales.

¿Qué hardware tiene como objetivo MoWorld?

MoWorld está diseñado en torno al despliegue en NPU domésticas. La página del proyecto lo describe como una pila NPU rentable y afirma que está construido para la generación de video-mundo de alta tasa de fotogramas, bajo costo y control continuo.

¿Es MoWorld de código abierto?

La página del proyecto MoWorld enumera el código como "Próximamente". El artículo original también dice que se espera que los pesos y el código se abran pronto, pero no estaban disponibles públicamente en el momento de la redacción de este artículo.

¿Cuál es la ventaja de costo reportada de MoWorld?

El artículo original dice que el costo de despliegue de MoWorld es solo aproximadamente el 30% de una solución GPU comparable. El artículo de arXiv describe a MoWorld como que reduce el costo promedio de inferencia a aproximadamente el 30%–50% de los modelos del mundo existentes en entornos prácticos.

¿Qué industrias podrían usar MoWorld?

Los casos de uso potenciales incluyen juegos, entretenimiento interactivo, robótica, conducción autónoma, previsualización cinematográfica, gemelos digitales, visualización arquitectónica, salas de exposición virtuales y reconstrucción 3D.

Herramientas Relacionadas

  • MoWorld: La página oficial del proyecto para el modelo del mundo interactivo en tiempo real.
  • arXiv: Una plataforma de prepublicación donde está disponible el artículo técnico de MoWorld.
  • GitHub Pages: El sistema de alojamiento utilizado para el sitio web público del proyecto MoWorld.

Enlaces Relacionados

arquitectura, resultados y escenarios de aplicación.

Resumen

MoWorld demuestra cómo los modelos mundiales pueden pasar de demostraciones impresionantes a infraestructura implementable. Su afirmación clave no solo es una mejor calidad de generación, sino interacción en tiempo real a más de 50 FPS en hardware NPU doméstico.

El artículo explica el motor de datos de MoWorld, las optimizaciones de entrenamiento e inferencia, la dirección de implementación de bajo costo y los casos de uso prácticos en juegos, robótica, producción cinematográfica, gemelos digitales y reconstrucción 3D.

El código del modelo y el acceso al servicio público aún están marcados como próximamente, por lo que la adopción en producción debe esperar más pruebas públicas, documentación y detalles de implementación.

Conclusión principal: MoWorld es importante porque trata el modelo mundial como un motor espacial interactivo e implementable, no solo como otro generador de video.

MoWorld Explained: The Real-Time NPU World Model Pushing World Models Toward Industry Use