ทำอะไรได้บ้าง
- เริ่มจากภาพเดียว เลือกอัปโหลดเองก็ได้ แล้วเดินด้วย WASD หันกล้องด้วยลูกศร
- โมเดลสร้างคลิปยาวราว 1.3 วินาทีต่อรอบ ทั้งภาพและเสียงพร้อมกันที่ 768×512 ความละเอียด 24 เฟรมต่อวินาที
- บน GPU NVIDIA H800 ใบเดียว ทีมวัด real-time factor ได้ 0.77 คือเร็วกว่าเรียลไทม์ รวมถอดรหัสภาพและเสียงแล้ว
- พิมพ์พรอมต์เสริมได้ ถ้าไม่ใส่ ระบบจะอธิบายฉากจากภาพให้อัตโนมัติ
- เสียงเป็นสเตอริโอที่ตามมุมกล้อง พอหันหัว เสียงซ้าย–ขวาก็ขยับตาม
ตัวเลขจากทีม
- บน WBench ส่วนนำทาง Helix World ได้ 79.9 ใกล้โมเดลโลกแบบเงียบที่แรงสุด แต่รันเร็วกว่าเรียลไทม์
- ในกลุ่มที่ RTF ต่ำกว่า 1.0 ทีมบอกว่าคะแนนนี้สูงสุดเมื่อเทียบ SANA-WM (76.0) กับ Matrix-Game 3 (71.3)
- เปิดเกณฑ์ HelixBench วัดความสอดคล้องเชิงพื้นที่ของเสียง ได้ 41.8 เทียบ EchoWM ที่ 12.7 ซึ่งเป็นโมเดลโลกอีกตัวในตารางที่ออกเสียงได้
- ผู้ใช้ในแบบสำรวจชอบ Helix World มากกว่า EchoWM ที่ 67.9% ต่อ 20.8% เมื่อฟังเสียงด้วย
โหลดไปลองยังไง
- เดโมโต้ตอบที่ helixworld.org
- โค้ดบน GitHub ที่ NoizAI/HelixWorld
- น้ำหนักพรีวิวบน Hugging Face ที่ NoizAI/HelixWorld-preview (ทีมบอกชัดว่าเป็นพรีวิว ไม่ใช่รุ่นเต็ม)
- เปเปอร์ arXiv:2609.38123 ลง 29 ก.ย. 2026 ชื่อ HelixWorld: A Real-time Interactive Audio-Visual World Model
- สร้างบนฐาน LTX-2.3 แล้วกลั่นเป็นโมเดลนักเรียนแบบสตรีมมิ่ง
ข้อจำกัดที่ควรรู้
- ความละเอียดยังอยู่ที่ 768×512 และความเร็วเรียลไทม์วัดบน H800 ไม่ได้รายงาน GPU บ้าน
- ด้านภาพอย่างเดียวยังตามโมเดลเงียบอันดับต้น ๆ ไม่ทันเล็กน้อย และเมื่อปิดเสียง คนในแบบสำรวจชอบ EchoWM มากกว่า
สรุป
นี่ไม่ใช่แค่เดโมวิดีโอ แต่เป็นโมเดลโลกที่ออกเสียงตามกล้องจริง ๆ พร้อมโค้ด น้ำหนักพรีวิว และเดโมให้ลองเอง ใครตามสาย world model เก็บลิงก์ helixworld.org กับ NoizAI/HelixWorld-preview ไว้ได้เลย
แหล่ง: Noiz AI blog · GitHub NoizAI/HelixWorld · Hugging Face NoizAI/HelixWorld-preview · arXiv 2609.38123 · 12 ต.ค. 2026