アリババAmapの世界モデル「ABot-World-0」、単一GPUで24時間推論 LongForcingが1分の壁を突破
2026年8月5日 00:10
アリババの地図部門Amapは、インタラクティブな世界モデルの推論を、この分野で従来の安定動作の上限とされてきた約1分から、単一のデスクトップGPU上で24時間連続に伸ばす学習手法「LongForcing」を発表した。Amapが2026年8月3日に公開した公式プレスリリースでも、24時間推論が確認されている。このアップデートは、Amapが2026年7月9日に公開したオープンソースのアクション条件付き動画世界モデル「ABot-World-0」に適用され、Hugging FaceとReactorプラットフォームで利用できる。関連する技術論文であるarXivプレプリント2607.19191は7月21日に投稿され、公開後まもなくHugging Faceの論文リーダーボードで日次・週次ランキングの首位に立った。
■1分の壁が存在した理由と従来手法の限界
インタラクティブな世界モデルは、過去に生成されたすべての情報を条件として新しいビデオチャンクを生成する。問題は、各チャンクが小さなエラー（微小なアーティファクトやわずかな空間的ドリフト）をもたらし、それが次のチャンクの入力となることだ。モデルは自らのミスを蓄積し、通常30〜60秒後には視覚的な一貫性が崩壊する。森が消えたり、壁が移動したり、振り返ったプレイヤーが元の場所とは違う幻覚を見たりする。独立した報道でも、長時間のロールアウトベンチマークにおけるこれらの制限が、この分野の重要な課題であると指摘されている。
中国のShanda AI Researchが2026年7月にリリースした「AlayaWorld」などの従来のオープンソースシステムは、ドリフトを封じ込めたり再固定したりするためのアーキテクチャコンポーネントを追加することでこれに対処していた。AlayaWorldは、世界がどのように見えたかを記録する3D空間キャッシュと、再訪問時の物語の連続性を維持する時間的埋め込みというデュアルメモリシステムを使用した。これらは、学習段階から始まる問題に対するアーキテクチャ上の回避策である。ABot-Worldの技術論文は、この違いがLongForcingを従来のすべてのアプローチと区別するものであると詳述している。
■LongForcingによる学習段階での解決
LongForcingは、より早い段階で介入を行う。崩壊するシーンを防ぐために出力をキャッシュするのではなく、そもそも崩壊しない出力を生成するようにモデルを学習させる。この手法では、蒸留対象となる因果的な生徒モデルよりも長い時間的コンテキストウィンドウを持つ、双方向の教師モデルを使用する。生徒モデルに単に良い短いクリップを生成させるのではなく、LongForcingは生徒モデルの長い自己ロールアウトを、より長い時間軸を扱う教師モデルの分布に合わせる。つまり、学習目標は「もっともらしい次のチャンクを生成する」ことではなく、「何チャンクも先まで安定した生成につながるような出力を生成する」ことである。論文のLongForcing手法セクションでは、この分布マッチングの段階が詳しく説明されている。
学習中、生徒モデル自身の出力は入力としてフィードバックされ、推論時に崩壊を引き起こすのとまったく同じエラー蓄積条件をシミュレートする。同時に、教師モデルが定義する安定した分布内に保たれる。生徒モデルは、そのままでは蓄積してしまうようなドリフトを吸収し、回復する方法を学習する。これはABot-World-0のarXivプレプリントに記録されている。
この違いは、持続時間の数値以上に重要である。1分という上限は、主にハードウェアの制約ではなく、学習目標の設計上の問題だった。デュアルメモリ、3Dキャッシュ、空間的再固定といった従来のアーキテクチャ上の修正はすべて、不十分な最適化しかされていないモデルに対する回避策だった。LongForcingは正しい対象に向けて最適化を行っている。だからこそ、持続時間の改善は漸進的なものではなく、1,440倍に達したのである。
■単一GPUでのリアルタイム推論を支える技術スタック
LongForcingは学習時の貢献であるが、単一GPUでリアルタイムのパフォーマンスを達成するには、それを中心とした推論スタックの共同設計が必要だった。ABot-World-0の技術論文では、連携して機能する5つのコンポーネントが説明されている。
モデルのバックボーンは、アリババで開発されたテキスト・画像・動画生成モデル「Wan2.2」から派生した50億パラメータのアーキテクチャである。チームは、より大規模な双方向の教師モデルをこの因果的な生徒モデルに蒸留した。因果的とは、モデルがストリーミング方式で前のチャンクから各チャンクを生成し、リアルタイム出力を可能にすることを意味する。
バックボーンの上に構築された推論スタックには、標準的なVAEの計算コストなしにモデルの内部潜在表現をビデオフレームに変換する軽量な変分オートエンコーダ「LightVAE」デコーダが含まれる。拡散トランスフォーマーはFP8量子化で実行され、わずかな品質低下と引き換えに、標準的なFP16と比較してメモリ帯域幅の要件をほぼ半減させる。アテンション計算には、ストリーミングのユースケースに最適化された効率的なアテンション実装であるSageAttention2カーネルを使用する。境界付き量子化を備えたメモリ認識KVキャッシュスケジューラは、生成長が長くなるにつれて、どの履歴コンテキストを保持し、何を圧縮するかを管理する。
これらの組み合わせにより、単一のNVIDIA RTX 5090上で、アクションから最初のフレームまでのレイテンシが1.2秒、ピークVRAM消費量が19.3GiB未満で、最大16fpsの720pビデオ出力が実現する。これらのハードウェアパフォーマンス仕様は、arXivプレプリントで報告されている。
論文で報告された定性的なストレステストでは、数時間から数日規模のロールアウトでも、認識可能なシーン構造とアクティブな動きが維持された。arXiv論文の定性評価セクションでは、キャラクターが壁を避ける、足音が水面に波紋を作る、車両が雪に跡を残すといった、明示的にプログラムされていない動作（チームはこれを創発的物理現象と表現している）も記録されている。これらは論文の著者らによる定性的な主張であり、公開時点では第三者による独立した再現は行われていない。
■「単一のコンシューマー向けGPU」の現在の実態
Amapのプレスリリースは、ABot-World-0が「単一のコンシューマー向けGPU」で動作すると説明している。これは技術的には正確である。しかし現実には、論文でテストされた唯一のハードウェアであるRTX 5090は、発売時の希望小売価格（MSRP）が1,999ドル（約31万円、1ドル=157円換算）であったのに対し、現在Amazonでは約4,329ドル（約68万円）で販売されている。このRTX 5090の価格高騰の背景は、過去のTechTimesの報道で取り上げられている。サードパーティ製ボードパートナーのプレミアム構成は5,000ドル（約79万円）を超える。
この価格差は2026年の市場動向を反映している。AIデータセンターが今年の全世界のメモリ生産量の約70%を吸収しており、コンシューマー向けGPUの供給は残りのシェアを争っている。2026年にNvidiaから新しいコンシューマー向けGPU世代が登場する予定はない。GPUメモリの供給に関するTechTimesの報道の通り、RTX 50 Superのリフレッシュ版は無期限に延期されている。
現在の市場価格では、RTX 5090は2年前のほとんどのワークステーションクラスのアクセラレータよりも高価である。「コンシューマー向けGPU」とはハードウェアのカテゴリ指定であり、手頃な価格であることを主張するものではない。ABot-World-0を評価する独立した開発チームや研究ラボは、それに応じた予算を組む必要がある。論文には、RTX 4090（現在、中古市場で約1,200〜1,500ドル、約19万〜24万円）やRTX 5080、あるいはラインナップ内の他のカードのベンチマーク結果は含まれていない。AI Weeklyの報道でも指摘されているように、これらの代替カードで24時間という結果が維持されるかどうかは不明である。
■外部ベンチマークでの評価と留意点
アクションの制御性、軌跡の追従性、視覚的品質、物理的な妥当性、時間的メモリを測定するオープンワールド評価スイート「WorldRoamBench」において、ABot-World-0は厳密な精度（Strict Accuracy）で0.5266、美観（Aesthetic）スコアで0.5039、力学（Mechanics）スコアで0.5223を達成した。これらの結果はABot-World-0のarXivプレプリントに記載されている。
重要な留意点として、WorldRoamBenchは同じ研究チーム、すなわちAlibaba GroupのAMAP CV Labによって開発されたものである。WorldRoamBenchのベンチマーク論文は、この組織的な重複を認めている。論文で報告されている比較対象は、Genie 3、HappyOyster、LingBot-World、HY-World 1.5であり、すべてチーム独自のベンチマークと評価パイプラインを使用して評価されている。AI Weeklyの報道が指摘したように、これらは独立した第三者によるベンチマークではない。
24時間のロールアウトという主張を再現したり、ストレステストを行ったりした定量的な結果を発表している独立したグループはない。論文で報告されている数日規模のデモンストレーションは定性的な評価（チーム自身の実行によるキーフレームの並び）であり、ブラインドテストや独立して制御されたテストではない。
また、論文では学習コーパスの総サイズも開示されていない。モデルは、AAAゲームのデータ、シミュレーションエンジンのデータ（論文で「独自の非公開アセット」と説明されている街路レベルや航空画像を含む）、およびインターネット上の動画から抽出されている。arXiv論文の学習データインフラストラクチャのセクションには、開示されている内容の概要が記載されている。計画されている500時間のアノテーション付き学習データセットは、本記事の公開時点ではまだリリースされていない。
本番環境での使用に向けてモデルを評価する開発チームにとって適切な姿勢は、公開されたベンチマークを外部による再現待ちの内部的に一貫した結果として扱い、GPUコストの現実と学習データの部分的な開示を導入判断の要因として考慮することである。
■利用方法と対象となるユースケース
ABot-World-0は、Hugging FaceにてApache 2.0ライセンスの下、モデル識別子「acvlab/ABot-World-0-5B-LF」で利用可能である（-LFの接尾辞はLongForcingで学習されたバリアントを示す）。コードベースはABot-WorldのGitHubリポジトリにある。Amapはまた、一般公開されているデモインターフェース「ABot-World Studio」をabot-world.amap.comでホストしている。
Apache 2.0ライセンスは商用利用に寛容であり、開発者にソースコードの変更を開示することを求めていない。他のモデルファミリーで使用されている特注のカスタムライセンスとは異なり、ほとんどの大規模組織の企業法務チームは追加の審査なしにこれを事前承認している。
インストールには、Ubuntu 22.04、CUDA 12.8、Python 3.12、および少なくとも19.3GiBのVRAMを搭載したGPUが必要である。デプロイメントガイドとFAQはGitHubで公開されている。
Amapが説明し、この分野の既存の研究優先事項によって裏付けられているターゲットユースケースには、GPUクラスターにアクセスせずにプロシージャル環境のプロトタイピングを行うゲーム開発チーム、迅速なプレビジュアライゼーションと絵コンテ作成を行うスタジオ、閉ループの学習環境を構築するロボティクスおよびエンボディドAIの研究者、ポリシー評価用の合成エッジケースシナリオを生成する自動運転車チームなどが含まれる。
コンパニオンモデルである「ABot-3DWorld-0」は、3D Gaussian Splattingを使用して、屋内、ストリートレベル、および航空都市スケールで3次元シーンを生成する。空間テレポート機能により、ユーザーは個別に生成された3D環境間にアンカーポイントを作成でき、システムがそれらの間の遷移を管理する。これらの機能はABot-Worldの技術論文で詳述されている。
■中国の組織的所属がローカル実行する開発者に意味すること
Amapは、中国に本社を置くAlibaba Groupの部門である。ABot-World-0の利用を検討している開発者は、これが何を意味するのか、そして特にオープンソースの重みをローカルで実行する場合に何を意味しないのかを理解しておく必要がある。
2017年の中国国家情報法第7条は、すべての中国の組織および市民に対し、要求に応じて国家情報工作を支援、援助、協力することを義務付けている。2021年のデータセキュリティ法およびサイバーセキュリティ法（2017年制定、2026年1月1日に大幅改正）は、中国の管轄下で事業を行う組織に対し、さらなるデータのローカライゼーションと政府アクセスの規定を課している。
これらの義務は、組織としてのAmapとAlibabaに適用される。重みをダウンロードし、自身のハードウェアで推論を実行する外国の開発者には直接適用されない。ABot-World-0をローカルで実行する場合、Alibabaのサーバーにデータを送信しているわけではない。国家のデータ共有の法的枠組みは、Amapの組織的な運営に適用されるものであり、ローカルでの推論に適用されるものではない。
ローカルユーザーに残るリスクは、より限定的かつ間接的なものである。学習データには、商用ライセンス条件が完全には開示されていない独自の非公開アセットが含まれていること、計画されている500時間の公開データセットの条件がまだ利用できないこと、そして中国の管轄下にある事業体がABot-World-0上に構築する将来の商用サービスには、そのオペレーターのユーザーに適用される国家アクセスのリスクが伴うことである。
研究や独立した開発のためにモデルをローカルで実行するチームは、ホストされた中国のAI APIのユーザーとは異なるリスクカテゴリに属する。導入を決定する前に、これら両方の違いを理解しておく価値がある。
■注目ポイントQ&A
●LongForcingは、従来の世界モデルのメモリシステムと具体的に何が違うのですか？
AlayaWorldのデュアル3Dキャッシュや時間的埋め込み、Microsoft Mirageの潜在空間シーンストレージ、SANA-WMのカメラ制御トラバーサルといった従来のアプローチは、推論時または学習後の追加として適用されるアーキテクチャ上の介入です。これらは、安定した参照情報をキャッシュして再注入することでシーンの崩壊を防ごうとします。一方、LongForcingは学習時の介入です。学習中に生徒モデルの長い自己ロールアウトを、より長い時間軸を扱う教師モデルの出力分布に合わせることで、モデルが最適化して生成するものを変更します。生徒モデルは学習時に、推論時に遭遇する長く蓄積されるシーケンス全体で安定した出力を生成することを学びます。1分という上限は学習目標の設計上の問題であり、LongForcingは学習目標による解決策です。手法の詳細はABot-World-0の技術プレプリントに記載されています。
●ABot-World-0はRTX 5090以外のGPUでも動作しますか？
論文ではRTX 5090でのみベンチマークを行っています。モデルには約19.3GiBのピークVRAMが必要であり、16GiB以下のカード（RTX 5080を含む）は除外されます。24GiB以上のカード（RTX 4090やエンタープライズ向けのAmpereカード）は計算上VRAMの要件を満たしますが、24時間の安定した生成を維持できるかどうか、またどの程度のフレームレートになるかはテストされておらず、公開もされていません。RTX 5090は現在、約4,300〜4,600ドル（約68万〜72万円、1ドル=157円換算）で販売されており、1,999ドルのMSRPを大きく上回っています。これらのGPUハードウェアのパフォーマンスのギャップとRTX 5090の市場価格の状況は、独立した報道で記録されています。
●ABot-World-0はGoogle DeepMindのGenie 3と比べてどうですか？
2025年8月にリリースされたGenie 3は、永続的な3次元環境をサポートし、24fpsで写真のようにリアルなリアルタイムのインタラクティブな世界を生成します。しかし、クローズドソースのままであり、適応、ファインチューニング、カスタムデプロイメントには利用できません。ABot-World-0のオープンソースという位置付けとApache 2.0ライセンスは、そのギャップに直接対処するものです。ABot-World-0とGenie 3が比較された唯一の共有ベンチマークであるWorldRoamBenchでは、ABot-World-0は競争力のあるスコアを達成していますが、このベンチマークはABot-World-0と同じチームによって開発されたため、これらの比較は独立したものではありません。WorldRoamBenchのベンチマーク論文には、評価プロトコルと組織的な背景が記録されています。
●Amapは中国のデータ法の対象となるAlibabaの子会社ですが、ABot-World-0をローカルで使用しても安全ですか？
ホストされた中国のAPIやクラウドサービスを使用する場合とは対照的に、オープンソースのモデルの重みをローカルで実行する場合は、リスクプロファイルが大幅に変わります。Alibabaのサーバーにデータを送信しているわけではありません。中国の国家データ共有の法的義務は、機関としてのAmapに適用されるものであり、ローカルで推論を実行する外国の開発者には適用されません。ローカルユーザーにとってのより限定的なリスクには、学習データの出所（論文では商用条件が完全には開示されていない独自の非公開アセットを使用しています）や、中国の管轄下にある事業体がこのモデル上に構築する将来の商用サービスには、そのユーザーに対する国家アクセスのリスクが伴うという事実が含まれます。研究や開発のための独立したローカルでの使用は、ホストされた中国のAIサービスを使用する場合とは異なるリスクカテゴリに属します。
元記事: Alibaba ABot-World-0: Interactive World Model Now Runs 24 Hours on Single GPU