AMD公布了交互式世界模型Micro-World 2的技术细节，展示基于Wan2.2 TI2V-5B的因果流式生成路径，能在单卡MI350X下实现30+ FPS的持续视频生成，但前提为低分辨率与专用ROCm优化，且高帧率会以画质为代价。文章还说明训练、数据与蒸馏方法，强调公开材料便于复现但不代表已达生产级稳定性。
AMD在2026年10月21日公布了交互式世界模型Micro-World 2的技术细节：这套基于Wan2.2 TI2V-5B的系统，能够根据初始画面、文本以及键盘和鼠标动作，持续生成后续视频。与先生成完整短片、再交给用户播放的方式不同，它试图让控制输入进入生成过程，形成边操作、边产生画面的流式体验。
根据AMD的技术文章，模型可在单张Instinct MI350X加速卡上实现超过每秒30帧的解码视频吞吐量，并支持最长约一分钟的持续生成。但“单卡实时”有明确前提：测试分辨率为352×640，使用经过专门优化的ROCm推理栈；最高42.49 FPS还依赖会牺牲部分画质的轻量解码器。这些是厂商公布的测试结果，并非独立复测，也不能直接代表消费级显卡的表现。
从生成短片到响应动作
交互式世界模型面临的难题，不只是让画面逼真，而是让下一刻的画面随着当前操作发生合理变化。用户按下前进键、向左平移或转动视角时，系统既要及时响应，也要尽量保留已经出现的场景结构。
AMD此前的Micro-World第一代方案基于Wan2.1，分别采用13亿参数的文生视频模型和140亿参数的图生视频模型，并以Minecraft数据训练动作控制。AMD将其描述为主要面向离线短片推理的早期工作。第二代改用约50亿参数的统一模型，重点转向因果生成和持续交互，而不只是扩大单次生成的视频长度。
这里的“因果”指生成时只能使用已经出现的画面和当前控制信号，不能预先读取未来帧。Micro-World 2将生成任务拆成连续的视频块，通过滚动的注意力键值缓存保留上下文，再逐步解码为可播放画面。这样不必等待整段视频完成才开始输出，也减少了长序列必须一次性驻留显存的压力。
这仍不意味着模型拥有无限记忆，或能够像传统三维引擎一样严格维护几何和物理状态。AMD展示的是分钟级生成能力，而不是已经证明可以无限时长、无漂移运行的虚拟世界。
四步生成背后的训练与数据
为了压缩每次生成所需的计算，AMD采用分布匹配蒸馏（DMD），把学生模型的每个视频块去噪过程缩减到四步。训练流程还包括因果模型适配、改善视觉质量的低秩适配（LoRA）、动作控制模块训练，以及教师模型的分辨率和动作能力适配。
教师模型也必须理解动作。AMD解释，如果教师只会生成好看的视频，却不以控制输入为条件，蒸馏过程就可能削弱学生模型对键盘和鼠标的响应。团队还比较了81帧和161帧的蒸馏训练序列，称更长序列改善了视觉质量和长时序一致性。整套训练按AMD披露，使用八张MI350X，耗时约四天；这不是从零训练Wan2.2基础模型的成本。
动作数据来自AMD的Capsaicin实时渲染框架。团队在三维场景中执行脚本化移动和视角旋转，将视频与逐帧键盘、鼠标及相机状态对齐，再剔除黑帧、严重碰撞和不合适的相机路径等样本。其价值在于，动作标签与画面变化同步，而不是仅给视频添加一段文字说明。
不过，技术文章与当前数据卡的统计口径需要分开理解。博客写的是440条交互导航序列；本次核验的Capsaicin数据集卡则分别列出200帧组440条、400帧组374条，并按两组列出合计814条。数据卡还说明，同一轨迹提供常规分辨率与4K两个视频版本，因此不能把分辨率副本重复算作不同轨迹，也不能把博客中的440条直接写成当前仓库全部条目的总量。这些数字来自公开说明，不代表已逐文件下载审计。
32.12 FPS与42.49 FPS不是同一种画质配置
AMD的推理测试采用三个潜在帧组成一个流式块。潜在帧是压缩空间里的表示，并不等于最终视频帧；文章中的FPS统计的是解码后的视频帧。
在原始实现中，AMD测得26.56 FPS。通过融合运算、合并投影计算以及缓存可重复使用的文本和交叉注意力特征，使用原始Wan2.2变分自编码器（VAE）的吞吐量提高至32.12 FPS。文章还比较了注意力后端，其中AITER的优势是注意力内核层面的加速，不能当成整个系统获得了同等倍数的提升。
进一步换用轻量VAE后，AMD报告解码延迟从124.19毫秒降至32.05毫秒，最终吞吐量达到42.49 FPS。但这一替换并非画质无损：文章的消融实验显示，部分视觉质量和位姿误差指标变差。因此，AMD使用原始VAE配置报告主要质量评测，不能把最高帧率与最佳画质拼接成同一配置的成绩。
“实时”也不等于每次按键都能在一个视频帧的时间内得到响应。系统按块生成，完整交互体验还涉及输入采样、生成、解码、传输和播放。平均视频吞吐量超过30 FPS，并不能单独证明所有环节的响应延迟。官方仓库也特别区分浏览器播放帧率和实际去噪速度。
作为背景，Wan2.2 TI2V-5B原始模型卡所称的720P、24 FPS，描述的是目标视频规格，并不等于每秒可以计算生成24帧。它与Micro-World 2在较低分辨率下报告的实际生成吞吐量，不应直接混为一谈。
评测有所进展，但仍不是成熟仿真引擎
AMD在WBench、Mind Benchmark和GameWorld Score上报告了测试结果。使用原始VAE的Micro-World 2在其对比表列出的21项指标中，有8项排名第一，WBench平均分为76.68。团队同时承认，视觉质量和鼠标控制精度仍有改进空间，其他模型在若干图像质量指标上表现更好。
这些结果说明该方案在AMD选定的比较范围内具有竞争力，却不足以支持“全面领先所有世界模型”的结论。尤其是，画面连贯、动作响应和物理准确性是不同的问题：一个转向过程看起来顺畅，并不能证明系统正确理解了碰撞、遮挡或物体的长期状态。
类似边界也出现在生成式手术仿真模型Cosmos3-H-Dreams的研究中：可以实时生成可信画面，不等于已经验证了真实世界的动力学。两者应用场景不同，但都需要在演示效果之外检验动作遵循和长时序稳定性。
开放材料提供了复现起点
Micro-World 2模型卡已列出因果初始化、因果LoRA、动作模块、四步蒸馏LoRA，以及可选轻量VAE。开发者仍需另行获取Wan2.2 TI2V-5B基础权重，不能只下载AMD仓库就认为已具备完整运行环境。AMD模型卡标注的许可为openrail，使用和再分发前还需核对各组成部分的具体条款。
官方代码仓库当前README提供了2.0训练、推理和交互演示说明，同时明确表示2.0仍处于积极开发阶段。公开代码与检查点让研究者有机会复现，但本身不构成稳定性、部署成本或生产适用性的证明。
AMD还在博客中比较了多个项目的权重、推理代码、训练代码和训练数据开放情况。不过，该表明确标注核验日期为2026年9月9日，不能将其当作10月21日重新完成的行业开放性审计。
Micro-World 2的具体进展，是把动作标注数据、四步因果生成和ROCm优化串成一条可研究的流式路径。对希望复现的开发者而言，下一步需要验证的不只是能否达到演示帧率，还包括不同场景下的控制误差、持续运行后的场景漂移，以及达到目标画质所需的真实硬件成本。