/ Модель

Характеристики

Размер весов
15,7 ГБ
Лицензия
Apache 2.0
Архитектура
scope · dense
Базовая модель
Wan2.2-TI2V-5B
Библиотека
diffsynth
Опубликована
19 мая 2026

SCOPE

Видео из изображенияИзображение, текст → видео3 профессии

SCOPE — дообученная на Wan2.2-TI2V-5B модель, которая генерирует управляемое видео из игровых сцен FPS по изображению и последовательности действий.

33скачиваний за 30 дней9лайковвеса обновлены25 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SCOPE — интерактивная модель мира для шутеров от первого лица, разработанная авторами проекта SCOPE. Она генерирует видео по исходному изображению и покадровой последовательности управляющих действий: шести бинарных кнопок и четырёх непрерывных осей двух джойстиков. Модель дообучена на Wan2.2-TI2V-5B и использует его трансформерную диффузионную архитектуру DiT с 30 блоками; модуль управления встроен в каждый блок. Для текстового кодирования применяется UMT5-XXL.

Модель предназначена для интерактивной симуляции игрового процесса, включая перемещение, поворот камеры, стрельбу и другие сочетания действий. Она обучена на более чем 69 тысячах клипов из семи игр и заявляет перенос на ранее не встречавшиеся игровые среды без дообучения. Генерация выполняется в разрешении 480 × 832, по 81 кадру с частотой 20 кадров в секунду. Репозиторий распространяется по лицензии Apache-2.0.

Для инференса README указывает на необходимость Python 3.10 или новее, PyTorch 2.0 или новее с поддержкой CUDA и видеокарты NVIDIA с объёмом видеопамяти от 24 ГБ при использовании выгрузки части вычислений на CPU. Описанная область применения ограничена игровыми сценами FPS; заявленная переносимость на новые игры не гарантирует качество для любых сред.

Сценарии применения

  • симуляция игрового процесса в шутерах от первого лица
  • генерация видео игрового мира по исходному кадру и командам управления
  • проверка сочетаний перемещения, поворота камеры и стрельбы в игровой сцене
  • создание интерактивных симуляций для ранее не встречавшихся FPS-игр

Ограничения

Модель ориентирована на игровые сцены FPS, а для инференса требуется видеокарта NVIDIA с объёмом видеопамяти от 24 ГБ при выгрузке вычислений на CPU. Перенос на новые игры заявлен авторами, но качество для любых игровых сред не гарантируется.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SCOPE: Simulating Cross-game Operations in Playable Environments for FPS World Models

Project Page GitHub arXiv License

Highlights

  • Hybrid Action Space — Jointly processes continuous (4D dual-joystick) and discrete (6 binary buttons) control signals within a unified framework — the first FPS world model to do so.
  • Dense Per-Frame Conditioning — Resolves overlapping actions at every single frame, enabling simultaneous multi-action composition (e.g., moving + aiming + firing) that reflects real gameplay complexity.
  • Cross-Game Generalization — Trained on 7 diverse FPS titles, a single model generalizes zero-shot to entirely unseen game environments without fine-tuning.
  • In-Scope / Out-of-Scope Decoupling — Spatially selective conditioning that separates localized in-scope effects (weapon recoil, HUD) from stable out-of-scope world generation — without any segmentation labels.

Model Overview

SCOPE is an interactive world model for first-person shooter (FPS) games. Built on Wan2.2-TI2V-5B, SCOPE inserts a conditioning module into each transformer block that reshapes features into per-pixel temporal sequences. Each spatial position computes its action response from local visual content, naturally separating in-scope effects (e.g., weapon firing, reloading) from out-of-scope world generation (e.g., stable surroundings) — without any segmentation labels.

Trained on CrossFPS (69K clips, 7 games, 10-DoF), SCOPE learns general visual-to-action mappings rather than game-specific patterns, enabling zero-shot transfer to unseen scenes.

Architecture

ComponentDetails
Base ModelWan2.2-TI2V-5B (DiT, 30 transformer layers)
Action ModulePer-block conditioning with per-pixel temporal sequences
Text EncoderUMT5-XXL (4096-dim hidden)
VAEWan2.2 Video VAE (4× temporal compression, 8× spatial compression)
Total Parameters~5B (1575 tensors, of which 750 are action-related)
PrecisionBFloat16

ActionModule Design

Each of the 30 DiT blocks contains an ActionModule with two conditioning paths:

  • Mouse/Joystick Path: Sliding-window temporal features → MLP fusion → pixel-wise temporal self-attention with RoPE
  • Keyboard/Button Path: Button embedding → temporal windowing → cross-attention (video queries, keyboard keys/values)

Both output projections are zero-initialized for stable residual training on top of frozen pretrained weights.

Generation Specs

PropertyValue
Resolution480 × 832
Frame Count81 frames
Frame Rate20 FPS
Duration~4 seconds
Inference Steps30 (default)

Action Input Format

SCOPE accepts 10-DoF action inputs per frame via a Parquet file:

Controller Buttons (6D binary):

IndexColumnAction
0right_triggerFire (RT)
1left_triggerAim Down Sights (LT)
2southJump (A)
3right_thumbMelee (R3)
4westReload (X)
5northWeapon Switch (Y)

Dual Joystick (4D continuous):

ColumnAxesFunction
j_left[x, y]Character movement (left stick)
j_right[x, y]Camera rotation (right stick)

Quick Start

Requirements

  • Python >= 3.10
  • PyTorch >= 2.0 with CUDA support
  • GPU: NVIDIA with >= 24 GB VRAM (single GPU inference with CPU offload)

Installation

git clone https://github.com/z2tong/SCOPE.git
cd SCOPE
pip install -e .

Download Weights

# Download all weights (SCOPE DiT + Text Encoder + VAE + Tokenizer) in one command
huggingface-cli download zizhaotong/SCOPE --local-dir ./SCOPE

Inference

Single image + action sequence:

python inference.py \
    --model_dir ./SCOPE \
    --input_image input.png \
    --action_path action.parquet \
    --prompt "First-person shooter perspective in a modern city" \
    --seed 42

Batch processing (directory of images):

python inference.py \
    --model_dir ./SCOPE \
    --input_image_dir ./images \
    --action_path action.parquet \
    --prompt "First-person view in a battlefield" \
    --output_dir ./outputs

For full usage details and advanced options, see the GitHub repository.

Repository Contents

This repo contains all weights needed for inference in a single download:

FileComponentSize
model-00001-of-00003.safetensorsSCOPE DiT shard 1~5.0 GB
model-00002-of-00003.safetensorsSCOPE DiT shard 2~5.0 GB
model-00003-of-00003.safetensorsSCOPE DiT shard 3~4.6 GB
model.safetensors.index.jsonShard index mapping—
models_t5_umt5-xxl-enc-bf16.pthText Encoder (UMT5-XXL)~20 GB
Wan2.2_VAE.pthVideo VAE~700 MB
google/umt5-xxl/Tokenizer~10 MB
config.jsonModel architecture config—

Inference code is available at github.com/z2tong/SCOPE.

CrossFPS Dataset

SCOPE is trained on CrossFPS, the first multi-game FPS dataset with frame-aligned action telemetry:

PropertyValue
Games7 diverse FPS titles
Total Clips69,000+
Action Dimensions10-DoF (6 buttons + 4D joystick)
AnnotationFrame-aligned action telemetry
CurationGameplay-bias removal for general visual-to-action mapping

Citation

@misc{scope2026,
      title={SCOPE: Simulating Cross-game Operations in Playable Environments for FPS World Models},
      author={Zizhao Tong and Hongfeng Lai and Zeqing Wang and Zhaohu Xing and Kexu Cheng and Haoran Xu and Zhao Pu and Shangwen Zhu and Ruili Feng and Jian Zhao and Yan Zhang and Hao Tang and Yeying Jin and Ling Shao},
      year={2026},
      eprint={2605.23345},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2605.23345}, 
}

Acknowledgements

We thank the Wan Team for open-sourcing Wan2.2 and the DiffSynth team for the inference framework.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · diffsynth

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Класс архитектуры
WanModel
Ревизия весов
500b475

0 моделей