Локальная AI-модель мира: превращение изображений в играбельных персонажей с переключением промптов во время генерации

Автор делится результатами обучения новой нейросети на 960 млн параметров, способной в реальном времени генерировать видео на потребительских GPU, таких как RTX 5090 и чипах Apple M5. Модель использует архитектуру чистого трансформера с механизмом «diffusion forcing» и скользящим окном контекста, что позволяет динамически менять текстовые подсказки прямо в процессе генерации кадров.