Tripo を手がける VAST が、インタラクティブな世界向けのリアルタイム生成レンダラー EdenLive をオープンソース化しました。5B と 14B の重みは Hugging Face に上がっており、推論コードと技術レポートも公開されています。VAST によると、5B モデルは RTX 5090 1 枚で 720p の映像を毎秒 24 フレーム以上で生成でき、それを数分間続けられます。
EdenLive は世界を自分でシミュレーションするわけではありません。ゲームエンジンやコーディングエージェントがルールを動かし、世界の状態を管理して、粗い参照動画を出力します。EdenLive はその動画と目標の最初のフレーム、テキストプロンプトを受け取り、再生しながら精細なフレームに描き直します。移動や衝突、体力ゲージ、勝ち負けの判定はすべて上流のプログラムが担います。VAST によると、キーを押してから対応するフレームが表示されるまでの遅延は、現時点で数百ミリ秒です。
技術レポートによると、動画生成部分は Wan2.2-TI2V-5B と Wan2.1-I2V-14B をもとにしています。重みのほか、ストリーミング推論コード、テキストプロンプトから簡単な遊べるゲームを作るスキル、プロンプトからゲームまでを一通り試せるウェブ画面も公開されました。このウェブ画面はゲームを作るのに Claude CLI を呼び出します。
コードと重みのライセンスは同じではありません。GitHub のコードは Apache 2.0 ですが、Hugging Face の重みは edenlive-mixed という混合ライセンスで、部分ごとに条件が違います。ウェブ画面だけが使う一部は商業目的ではない用途に限られます。商用で使うなら、先に LICENSE ファイルを確認する必要があります。
ハードウェアについて、VAST はオリジナルのコードの動作確認環境として 80 GB の NVIDIA GPU を積んだ Linux を挙げており、重み一式は約 210 GB です。RTX 5090 1 枚での結果は VAST 自身の README に載っており、別の高速化プロジェクト LightX2V で最適化した推論を使ったものです。LightX2V のガイドでは、5B モデルが 1280×704、INT8 量子化で約 24.7 FPS、GPU メモリのピークは約 28.4 GiB とされています。
VAST は課題も挙げています。技術レポートによると、参照映像のどの物体がどのキャラクターや物を表すかはモデルが推測しているだけで、記憶が短いため長く隠れていた物や再訪した場面の細部が食い違うことがあり、参照映像にどこまで忠実に従うかをユーザーが調整することもまだできません。
