你操纵一个由 AI 即时生成的虚拟世界，走出房间，绕上很久，再推门回来。理想情况下，桌椅还应摆在原处。但模型若把早先场景忘掉，房间就可能悄悄变样；若把所有历史都记住，内存又会越吃越多。
Bingnan Liu 和 Ruini Xue 提出的 WorldPager，想解决的正是这道选择题。它不要求模型少记，而是把历史记忆分层放进 GPU 显存、主机内存和 NVMe SSD，并趁模型计算当前画面时，提前搬运下一步可能用到的内容。论文报告称，在一张 RTX 4090、32 GiB 主存和一块 NVMe SSD 上，特定的 Matrix-Game 2.0 工作负载连续生成了 37.5 分钟视频，主存占用不再随时间增长，也没有出现作者所定义的存储等待。
这里要先划清范围：以下效果均来自论文作者自己的实验，尚无第三方复现。它证明的是一套特定模型、检索方式与硬件配置，不是“任意世界模型都能塞进 4090”。
世界越长，记忆账单越大
交互式世界模型会根据键盘和鼠标操作，一小段一小段地生成视频。为了让故地重游时的场景保持一致，模型会保存历史片段的 KV Cache——也就是注意力机制回看过去时使用的一批中间结果，类似一份不用重新计算的场景笔记。
问题是，这份笔记会线性膨胀。Matrix-Game 2.0 每个视频块包含 0.75 秒、12 帧画面，其 bf16 格式的 KV 占 486.6 MB。放在 24 GB GPU 显存中，到第 21 个块、约 16 秒时就会耗尽空间；搬到 32 GiB 主存，也只能撑到第 60 个块、约 45 秒。即使压缩成 int4——用 4 位整数保存数据——也会在第 226 个块、约 2.8 分钟时耗尽主存。
直接删掉旧记忆会破坏场景一致性。保存画面、等需要时重新计算 KV 也不便宜：作者在 RTX 4090 上测得，重算一个被检索块需要 585.5 毫秒，而模型一次去噪步骤为 190.4 毫秒。WorldPager 因此选择保存压缩后的 KV。其 int4 KV 每块为 129.4 MB，约是 bf16 的 26.6%；读回后的反量化中位耗时为 10.9 毫秒。
SSD 为什么没有拖住生成
分层存储并不新鲜：显存最快但最小，主存较大，SSD 最大也更慢，像把常用物品分别放在桌面、柜子和仓库。真正的问题是，从“仓库”临时取东西，往往会让计算停下来等。
WorldPager 换了一个观察角度。作者认为，这项任务受限于容量，而非带宽。模型生成一个块大约需要 1.2 秒，这段计算时间足以掩盖数据搬运。论文测得，从 NVMe 读取三个 bf16 块共 1.46 GB，再送入 GPU，需要 276 毫秒；若一边计算当前块，一边搬下一块，传输可以藏进计算窗口。
更关键的是，系统能提前猜到要取哪段记忆。模型按相机位姿检索历史场景，而相机位姿来自用户控制。WorldPager 在生成当前块时，用恒定速度外推下一块的位姿，据此执行预取——在真正用到数据前，先把它搬到更快的层级。
预测当然可能落空。WorldPager 此时不会停下来等 SSD，而是暂时沿用上一块已经准备好的检索集合。代价是记忆可能晚一个块生效，收益则是存储缺页不会直接卡住生成。新产生但放不进主存的 KV，也由后台线程写回 SSD，避免同步写入占据关键路径。
在强制所有检索数据都来自 NVMe 的实验中，WorldPager 的每块耗时为 1255.8 毫秒，作者定义的 stall 为零；按需读取方案的中位等待为 60.2 毫秒，每块总耗时多 4.3%。降低模拟带宽后，预取在 0.25 GB/s 时仍保持零等待，到 0.1 GB/s 才开始失效。这是软件限速实验，不等于真实慢速硬盘测试；而且低于临界带宽时，预取积压会使个别块的尾部延迟反而更高。
存得下，还要让模型认得久远的过去
容量之外还有第二堵墙：位置范围。模型需要知道片段在时间或空间中的相对位置，但 Matrix-Game 2.0 原始旋转位置表只覆盖 1024 个潜在帧，生成到第 341 个块、约 4.3 分钟后便会失败。换句话说，即使 SSD 无限大，模型也未必认得太久以前的记忆。
WorldPager 用无需训练的位置处理跨过这道限制。它扩展位置表；在原生范围内，输出与原模型逐位相同。超过第 341 块后，系统重新旋转被检索 KV 中的 key，把久远记忆重新安排到当前画面附近的位置。这个做法借用了已有的长序列处理思路，论文并未把概念本身作为创新；其特定之处，是处理从 NVMe 取回、按位姿检索的世界模型记忆。
这一步每块增加约 27 毫秒。更重要的是，它改变了模型理解时间位置的方式，其长期泛化能力仍需单独验证。
37.5 分钟说明了什么
完整实验运行了 3000 个视频块，生成 37.5 分钟视频，实际耗时 63.2 分钟，平均约 9.5 FPS，低于论文设置的 16 FPS 播放速率。因此，WorldPager 解决的是长时容量和存储等待，不是实时生成。
运行期间，主存峰值为 30.7 GiB，没有继续增长；系统向 NVMe 写入了 334 GiB。作者把超过 0.5 毫秒的 KV 等待定义为一次 stall，最长测得 0.12 毫秒，因此报告“zero stalls”。这不代表系统所有环节都没有延迟，只表示没有视频块因检索 KV 等待超过该阈值。
在往返路径实验中，模型会重访相隔最多 1981 个块的场景。论文称，相关 KV 能从 NVMe 预取回来，没有一次等待超过 0.5 毫秒。密封测试集上，int4 存储没有造成可测量的质量损失；但在跨越较长间隔的重访中，图像质量下降约 1 个 MUSIQ point。MUSIQ 是一种图像质量评分，这一结果说明压缩并非在所有条件下都毫无代价。
WorldPager 最值得关注的地方，不是简单地“给模型接一块 SSD”，而是利用世界模型的两项特性重新安排数据：每次生成留下了较长的搬运窗口，相机控制又让下一步访问哪些记忆可以提前估计。于是，速度较慢但容量更大的 SSD 不必站在计算的必经之路上，而可以在后台充当长期记忆库。
局限与未知
- 所有结果都来自同一篇论文。作者所称“首个把交互式世界模型 KV 放入 NVMe 并实现零等待预取”的结论带有“据我们所知”的限定，尚缺独立验证。
- 37.5 分钟不是无限时长。超过模型原生 4.3 分钟位置范围，要依赖无需训练的位置重排；更长运行中的稳定性和画面质量仍不明确。
- 质量证据范围有限。密封测试集只有四个新场景、两条轨迹和若干随机种子；长间隔重访已经观察到约 1 个 MUSIQ point 的下降。