Problem

互動式影片世界模型在處理長路徑生成時，面臨上下文記憶體需求激增、二次方注意力運算複雜度，以及重複降噪步驟等挑戰。這些限制導致模型在進行即時遊戲模擬或大規模場景導航時，運算成本過於昂貴且效率低下。

Method

提出名為 Light Interaction 的推理加速框架。其核心技術包含適應性上下文管理、降噪快取（Denoising Cache）加速，以及軟硬體協同設計的 3D 區塊稀疏注意力機制（搭配 Triton 核心優化）。該方法利用互動路徑的特性，在探索新區域時捨棄多餘空間記憶，並在重訪熟悉區域時重用先前的模型輸出。

Results

在 HY-WorldPlay 與 Matrix-Game-3.0 基準測試中，Light Interaction 在完全不需重新訓練模型的情況下，實現了高達 2.59 倍的推理加速。實驗證明，該框架能在顯著提升生成效率的同時，維持與原始模型相當的視覺品質與動態一致性。

Significance

此項研究為具身人工智慧（Embodied AI）訓練、虛擬場景導航及即時遊戲模擬提供了高效的解決方案。它克服了長時序影片生成的運算瓶頸，讓複雜的世界模型在實際應用中更具可行性，為未來開放世界模擬技術奠定了重要基礎。