Zing-0.5：Seedleap推出的开源实时交互式因果世界模型

一、Zing‑0.5是什么

Zing‑0.5是Seedleap（涌跃智能，Loopit背后技术团队）开源的实时交互式因果视频世界模型，采用Apache‑2.0开源协议发布。该模型主打持续流式视频推演，支持动作+文本双路实时控制，可不断向前生成虚拟世界画面，允许用户一边移动视角探索场景，一边用文本修改世界内容，不需要重启生成流程。在WBench交互式世界模型评测基准中，Zing‑0.5取得实时世界模型类别第一名的成绩。模型权重开源托管在Hugging Face与ModelScope平台，配套推理代码、样例脚本、多语言文档，可本地部署做交互式视频推演开发。

二、功能特色

1. 动作+文本双路联合控制：支持W/A/S/D/I/J/K/L共8维键盘动作控制视角移动；生成过程中可随时输入文本提示修改场景语义，无需中断推演流程。

2. 两种初始化模式：文本提示初始化虚拟场景；图片初始化，以一张参考图片作为起点继续推演世界变化。

3. 长时序因果流式生成：支持持续生成视频序列，维持场景、物体、视角的时序一致性，适合长时间交互探索。

4. JSONL时间线交互格式：使用JSONL文件定义完整交互任务，记录提示词、动作序列、分段文本变更，便于二次开发对接上层应用。

5. 低延迟实时推理：优化推理链路，单GPU可实现流式生成，降低交互式场景的响应时延，可适配产品化应用开发。

6. 输出帧格式约束：输出分辨率需为32倍数，帧序列满足1+4N时序结构，保证采样逻辑正常运行。

三、技术细节

Zing‑0.5为5B规模视频世界模型，核心依靠因果KV Cache与4步DMD采样实现高效实时推演。因果KV Cache复用历史视觉特征，减少重复计算，仅当文本条件变更时更新文本相关缓存；DMD采样将多轮扩散生成压缩至4步，大幅提升推理速度，降低算力消耗。

架构上将动作控制信号、文本语义条件共同注入DiT扩散变换器，实现空间移动与语义修改同时生效。推理支持两种注意力配置：完整全历史注意力模式，以及滑动窗口模式适配低显存硬件。

硬件环境要求

权重文件为完整state_dict格式generator/model.pt，不支持LoRA适配器、裁剪改造后的checkpoint加载。

四、应用场景

• AI交互式内容创作：制作可探索的虚拟场景，边移动视角边修改环境，生成互动式视频素材。

• AI游戏原型开发：快速搭建简易AI驱动探索类游戏Demo，以动作+文本驱动虚拟世界演化。

• 具身智能仿真实验：用于视觉预测、场景推演相关算法实验，输出连续交互视频时序数据。

• 互动短视频生产：生成连续演进的长时序视频，中途切换提示词改变剧情、环境氛围。

• 二次开发产品底座：为APP、网页端交互世界功能提供底层推理能力，Loopit APP已集成该模型能力做C端体验。

五、使用方法

1. 环境准备

克隆GitHub仓库，安装requirements.txt内全部依赖；从Hugging Face或ModelScope下载完整权重，放置到指定目录，保证generator/model.pt路径完整。

2. 编写JSONL任务文件

仓库examples目录内置多份样例JSONL，支持文生视频、图生视频、中途切换提示词、动作+文本混合控制。
核心字段说明：

• user/text：初始场景文本提示；

• target/video：设置输出分辨率、总帧数；

• controls：填写8维动作序列，分段生效的文本提示区间；

• reference_frame_count：图片初始化模式设置为1，并传入图片URI地址。

动作数组shape为[N,8]，取值区间0‑1，顺序对应W/A/S/D/I/J/K/L按键。

3. 启动推理执行

运行项目内置run.sh脚本，传入权重目录、checkpoint路径、JSONL任务文件、视频输出路径等参数，脚本执行完成后输出生成视频文件。

注意输出分辨率必须为32整数倍，帧数需要满足1+4N规则，否则会触发采样报错。

六、竞品对比

选取开源交互式视频生成领域3款代表性模型进行对比：Zing‑0.5、minWM、Wan2.2‑TI2V‑5B。

七、常见问题解答

Q：Zing‑0.5是否支持Windows系统运行？

A：官方仓库仅针对Linux+CUDA环境做适配，Windows环境没有原生支持，可采用WSL2安装Linux子系统尝试运行，但社区未做充分验证，可能出现兼容性报错。

Q：加载权重的时候一直报错，是什么原因？

A：模型只接受完整原始state_dict权重文件generator/model.pt，不支持LoRA、微调截断、二次包装后的checkpoint；需要完整下载官方发布权重，不要手动修改权重目录结构。

Q：消费级显卡可以跑通Zing‑0.5吗？

A：RTX5090这类高端消费卡可以运行，运行时需要切换滑动窗口注意力参数local‑attn‑size=33 sink‑size=5降低显存占用；显存不足会出现OOM显存溢出报错，普通中端显卡无法满足显存要求。

Q：为什么生成视频总是报错，无法输出？

A：检查两个硬性约束：输出分辨率必须是32倍数；总帧数必须满足1+4*N，例如5帧、9帧、13帧，不符合格式会直接导致采样流程失败。

Q：可以直接把模型部署到网页对外提供服务吗？

A：代码仅提供底层推理脚本，没有内置Web服务接口；需要开发者自行封装API服务，同时评估算力成本，Apache‑2.0协议允许商用，但开发者需要自行承担部署风险。

Q：中途修改文本提示词没有生效，该如何排查？

A：需要在JSONL的controls字段内配置分段生效的文本区间，直接修改初始user/text字段不会实现中途变更世界语义，参考examples目录内置的切换提示词样例调整配置。

八、相关链接

• GitHub仓库：https://github.com/seedleap/zing-world-model

• Hugging Face权重仓库：https://huggingface.co/seedleap/zing‑0.5

• ModelScope权重地址：https://modelscope.cn/models/seedleap/Zing‑0.5

• 项目演示页面：zing.loopit.me

九、总结

Zing‑0.5作为Seedleap团队开源的实时因果世界模型，把动作空间控制和文本语义修改整合到一套推理链路，依托因果KV Cache与DMD采样实现低时延流式视频推演，配套标准化JSONL交互格式，降低交互式虚拟世界的二次开发门槛，开源权重与推理代码可供开发者、研究人员开展交互视频、AI互动内容、仿真实验等相关开发工作，是当前WBench评测中表现突出的开源交互式世界模型方案。