EchoWM 全模態世界模型發布：支援 6-DoF 連續導航並同步生成 720p 影音

EchoWM 是一個全模態世界模型，能夠在遵循連續的 6-DoF（六自由度）導航軌跡時，同步生成 720p 影片、環境音、音樂與語音。 該模型的互動設計以「攝影機意圖」為核心：在第一人稱場景中指定觀察者運動；在第三人稱場景中，則從資料中學習攝影機與角色間的動態關係，無需特定視角的控制器。系統將離散指令與連續姿態映射至共享的相對 6-DoF 軌跡，並透過資料集等級的校準來維持異質資料間的運動幅度。 為聯合學習影音生成與軌跡控制，團隊建構了互補的資料引擎，採用漸進式訓練，隨後進行自迴歸後訓練以支援長時程生成。評測顯示，EchoWM 在公開基準測試中具備優異的軌跡跟隨能力與視覺品質，並能穩定維持長時程的影音同步。