HelixWorld：实时交互式音视频世界模型

HelixWorld 是一个实时交互式音视频世界模型，让视觉场景与基于相机的空间立体声在用户交互下原生同步演化。研究团队构建了带真实立体声与度量相机位姿的高保真空间音视频数据集，并据此预训练了一个双向模型。现有交互式世界模型大多只做视觉渲染与控制，忽略了声音维度。