VAST открыла EdenLive для генерации интерактивного видео в реальном времени

VAST открыла веса моделей EdenLive, код инференса и технический отчёт, а также показала сквозные демо. Разработчики относят EdenLive к направлению мировых моделей, но в этой системе его задача конкретна: превращать упрощённую сцену или видео-референс в детализированную последовательность кадров. Положение персонажей, правила взаимодействия и другие состояния поддерживает внешняя система. Она принимает действия игрока и обновляет происходящее; EdenLive получает соответствующий визуальный ориентир и генерирует картинку для следующего шага. Поэтому модель не заменяет игровой движок или симулятор целиком.

Для управления результатом используются три вида входа. Референс задаёт компоновку сцены, движение и камеру; целевой первый кадр определяет исходный облик; промпт уточняет стиль и детали. По показанным примерам, одну и ту же сцену можно представить в более реалистичном или рисованном виде, сохраняя её базовое движение. Такой способ работы подходит не только для игровых прототипов: VAST демонстрирует предварительный просмотр сцен и анимации, а также переработку существующего видео, например замену внешности персонажа при сохранении движений из исходного ролика.

По данным VAST, модель на 5 млрд параметров выдаёт более 24 кадров в секунду при разрешении 720p на одной NVIDIA RTX 5090 и может непрерывно генерировать видео в течение минут. Компания оценивает задержку от действия пользователя до появления соответствующего кадра в сотни миллисекунд. Частота генерации и задержка отклика здесь описывают разные свойства: даже при достаточно быстром потоке кадров игроку нужно дождаться реакции на ввод. Приведённые показатели относятся к указанной модели и конфигурации, а не ко всем доступным GPU или любому сценарию взаимодействия.

В демо есть игровые сцены с перемещением и простыми действиями, замена стиля видео и примеры с видом от первого лица, где человеческие руки превращаются в роботизированные, а движение сохраняется. Последний вариант может пригодиться при подготовке вариантов видеоданных для исследований робототехники, но сам по себе не доказывает, что полученные кадры пригодны для обучения конкретного робота. VAST также отмечает ограничения: частые и резкие действия сложнее отображать вовремя, а при нескольких персонажах, мелких предметах и долгой генерации остаются проблемы с точностью и визуальной согласованностью. Сейчас система лучше подходит для просмотра сцен и взаимодействий, не требующих постоянных быстрых реакций.