Amap, la piattaforma di Alibaba dedicata ai servizi di localizzazione, ha presentato una dimostrazione di ABot-World-0 nella quale il modello genera e mantiene un ambiente virtuale interattivo per 24 ore consecutive utilizzando una sola scheda grafica destinata al mercato consumer. L’intera sessione è stata pubblicata come registrazione consultabile, permettendo di raggiungere qualsiasi secondo della simulazione e di accedere direttamente ai punti corrispondenti alla sesta, dodicesima e diciottesima ora. Sono inoltre disponibili altre cinque esecuzioni complete ambientate in scenari erbosi, desertici, urbani e innevati.
ABot-World-0 appartiene alla categoria dei world model interattivi, sistemi che generano progressivamente i fotogrammi di un ambiente in risposta ai comandi impartiti dall’utente. A differenza di un normale video generativo, ogni nuova sequenza deve tenere conto sia delle azioni ricevute sia dei fotogrammi prodotti in precedenza dallo stesso modello. Gli errori visivi, geometrici o temporali possono quindi accumularsi durante la generazione autoregressiva fino a modificare la struttura della scena o provocarne il progressivo deterioramento. Secondo i dati comunicati da Amap, molti sistemi di questa categoria mantengono una simulazione coerente soltanto per un intervallo compreso tra 30 e 60 secondi, mentre la prima presentazione di ABot-World-0, diffusa il 16 luglio 2026, indicava già una durata superiore a un’ora.
La stabilità delle sessioni prolungate deriva da LongForcing, il metodo di addestramento descritto dal gruppo di ricerca nel rapporto tecnico pubblicato il 21 luglio 2026. L’impostazione parte da un processo di distillazione nel quale un modello teacher bidirezionale, più lento ma capace di osservare contemporaneamente l’intera sequenza video, trasferisce le proprie conoscenze a un modello student causale. Quest’ultimo può utilizzare soltanto i fotogrammi passati, una condizione necessaria per generare in tempo reale una scena che reagisca alle azioni dell’utente. Nei sistemi tradizionali, tuttavia, la supervisione viene applicata principalmente a clip brevi: lo student impara quindi a produrre risultati corretti per pochi secondi, ma non riceve indicazioni sufficienti per gestire le deviazioni che compaiono nelle sequenze molto lunghe.
LongForcing interviene proprio nelle porzioni della simulazione nelle quali gli errori hanno avuto più tempo per propagarsi. Durante l’addestramento, il modello student genera autonomamente una sequenza estesa e il teacher, dotato di un contesto temporale più ampio, supervisiona soprattutto le fasi avanzate della generazione. L’obiettivo non consiste nel fornire al sistema una memoria più precisa dei fotogrammi iniziali, ma nel correggere il cambiamento progressivo della distribuzione dei dati e la deriva autoregressiva accumulata. Il modello viene così ricondotto durante l’esecuzione verso una rappresentazione stabile del mondo, evitando che le piccole imprecisioni prodotte in successione compromettano l’intero ambiente.
Questo meccanismo consente ad ABot-World-0 di continuare ad ampliare la scena anche dopo molte ore, generando nuovi spazi invece di rimanere bloccato nell’ambiente iniziale. L’espansione avviene senza richiedere l’inserimento periodico di nuovi prompt testuali. L’interazione è gestita tramite comandi diretti da tastiera, utilizzabili sia per esplorare liberamente l’ambiente sia per controllare un personaggio con visuale in terza persona. Una memoria dedicata al personaggio di riferimento mantiene inoltre stabile il suo aspetto durante le sessioni prolungate.
Nelle configurazioni ottimizzate a bassa precisione, il modello produce immagini con risoluzione di 720p e raggiunge una velocità massima dichiarata di 16 fotogrammi al secondo su una singola Nvidia GeForce RTX 5090 desktop. Tra l’inserimento di un comando e la comparsa del primo fotogramma che ne riflette gli effetti trascorrono circa 1,2 secondi, mentre il consumo massimo di memoria video è pari a circa 19 GiB. La possibilità di mantenere una generazione interattiva di lunga durata su una sola GPU desktop riduce la necessità di ricorrere a cluster o infrastrutture tipiche dei data center.
Le prestazioni sono state valutate tramite WorldRoamBench e attraverso ulteriori sessioni interattive estese. I risultati indicano una capacità di controllo competitiva e un’evoluzione coerente dell’ambiente su intervalli temporali lunghi. La registrazione integrale delle 24 ore permette di verificare direttamente questi comportamenti, poiché la simulazione può essere esaminata secondo per secondo anziché essere rappresentata soltanto attraverso punteggi, tabelle comparative o brevi sequenze selezionate. Il rapporto tecnico è stato inoltre indicato come principale paper della giornata sulla piattaforma Hugging Face il 22 luglio 2026, superando successivamente i 300 voti positivi.
Il progetto è distribuito con licenza Apache 2.0. Il repository pubblico comprende il codice necessario per l’inferenza, una demo eseguibile localmente e i collegamenti ai checkpoint del modello pubblicati su Hugging Face e ModelScope. Questa impostazione permette a sviluppatori, studi e gruppi di ricerca privi di grandi infrastrutture di sperimentare la generazione interattiva a lungo termine su una workstation dotata di una GPU adeguata. Tra gli ambiti di utilizzo indicati rientra la embodied AI, dove agenti e sistemi robotici possono essere addestrati e verificati all’interno di ambienti simulati differenti prima di essere trasferiti su dispositivi fisici, in continuità con le attività portate avanti da progetti come Gemini Robotics ER 2 di Google e i modelli video-azione sperimentati da Mimic Robotics negli stabilimenti Audi.
Amap ha pubblicato anche il corpus utilizzato per l’addestramento, composto da 30.969 episodi video condizionati dalle azioni dell’utente e caratterizzato da una dimensione complessiva di 2,74 TB. Ogni episodio comprende un file MP4, la sequenza dei comandi da tastiera associati alla generazione, le relative didascalie e una ricostruzione sparsa delle pose della videocamera all’interno della scena. La disponibilità dei dati consente a gruppi indipendenti di addestrare altri modelli sullo stesso materiale e di verificare direttamente la capacità di LongForcing di limitare la deriva autoregressiva nelle simulazioni prolungate. La roadmap del progetto prevede inoltre la successiva pubblicazione del modello teacher bidirezionale impiegato durante l’addestramento.