GTA world model

GTA world model

你按住按键时，从一张起始图像逐帧生成视频，并推流到浏览器。这是一个用 GTA5 素材训练的世界模型的权重和推理代码，适合研究者和机器学习工程师。

由 lucidml 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是一个交互式世界模型，从一张起始图像生成视频。你边玩边按住按键，模型就生成后续的画面，一帧接一帧，推流到浏览器。作者 lucidml 自己设计了这个叫 Summaryformer 的架构，并且从零开始训练。这个检查点学习的是 GG800，一个 800 小时的 GTA5 素材集。

适合谁：它适合研究视频生成、世界模型或 Transformer 长记忆的研究者，也适合想要权重和一套能用的推流运行环境的工程师。好奇的玩家可以试试卡片里链接的在线演示。

行业 | 谁在用 | 怎么用 | 例子
研究 | 视频和世界模型研究者 | 研究 Summaryformer 的记忆设计 | 读一读较早的帧是怎样只以简短摘要保留的
软件 | 机器学习工程师 | 用自带的运行环境运行权重 | 看看采样器和推流服务器
教育 | Transformer 方向的学生 | 学习注意力怎样读取摘要 | 对比内存里的 6528 个键和没有摘要时的 26208 个键
娱乐 | 游戏和互动媒体团队 | 看一个生成的场景怎样回应按键 | 看看模型怎样处理持续的游玩

如果你需要训练代码，可以跳过它，因为仓库里没有。

用在哪里：这个模型可以在这些地方使用。

• 网页浏览器：卡片里链接了一个在线演示，你在那里给出起始图像并按住按键。
• Hugging Face 模型页面：在那里读卡片并获取文件。
• Windows、macOS 或 Linux 上的 Python：把权重和运行环境下载到你自己的电脑上。

使用场景 | 谁 | 得到什么
玩一个生成的场景 | 好奇的人 | 跟着你按住的按键走的视频
研究记忆设计 | 研究者 | 一份关于帧怎样存放和读取的文字说明
自己运行权重 | 工程师 | 权重，加上模型、采样器和推流服务器的代码

如何设置：你需要先准备好这些。

• Python 和 pip
• Windows、macOS 或 Linux 上的终端
• 硬件：这里能看到的卡片文字没有写明需要什么 GPU 或内存

下面是 Hugging Face 给出的获取文件的步骤。

1. 用 pip 安装 Hugging Face hub 软件包。
2. 用 hf 命令下载模型的文件。
3. 按 Hugging Face 页面上模型卡片里的运行步骤操作。

pip install -U huggingface_hub
hf download lucidml/gta

如何使用：在在线演示里，给模型一张起始图像，边按住按键边让它生成后面的帧。本地副本包含模型、它的记忆、采样器和一个推流服务器，推流服务器会在你游玩时把帧发送到浏览器。这里能看到的卡片文字在运行步骤之前就被截断了，所以具体命令请查看模型页面。

示例：你从一张场景图像开始，然后按住按键。模型生成后续的画面，你的浏览器在画面到达时播放。较早的帧只以简短摘要的形式交给模型，这样记忆就能保持很小。

新手与专家：交互式世界模型生成的视频会回应你的操作。在这里，你给出一张起始图片，按住按键，就能看着视频一边生成一边出现。第一件可以试的小事，是卡片里链接的在线演示。

每一帧都存成一条记录。它包含 384x672 下的 1008 个原始标记，后面跟着 96 个摘要标记，由同样的 28 个块在同一次计算中写出，没有单独的摘要器。一帧会关注它自己、最近的 2 帧完整记录、窗口内较早的帧（只看摘要），以及完整的起始图像。代价是旧帧只剩下轮廓。训练时的窗口是 24 帧，服务器默认是 16 帧。

你给模型一张起始图像
你边玩边按住按键
模型生成下一帧
服务器把帧推流到浏览器

注意事项：下面的记忆数字来自卡片。

Title: 内存缓冲区里保存的键数
使用摘要: 6528 个键
每一帧都保持完整大小: 26208 个键

• Contents: 仓库里有权重和推理运行环境，没有训练代码。
• Training data: 这个检查点学习的是一个数据集，GG800。
• License: apache-2.0，和记录里写的一致。
• Cost to run: 这里能看到的文字里没有提到。来源里没有列出 API 密钥、账号或付费服务。
• Data it reaches: 它从 Hugging Face 下载文件，推流服务器把帧发送到浏览器。来源没有说明在线演示收集什么。
• Not for: 训练新模型，因为没有包含训练代码。

Hugging Face 上的数据（2026年11月13日）

• 任务：image to video
• 最近 30 天下载：0
• 点赞：11
• 许可证：apache-2.0
• 标签：world-model, interactive, real-time, autoregressive, video-generation, image-to-video

链接

• 模型：https://huggingface.co/lucidml/gta
• 文件：https://huggingface.co/lucidml/gta/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download lucidml/gta

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。