本文提出了WorldPlay，一种流式视频扩散模型，能够实现具有长期几何一致性的实时交互式世界建模，有效解决了当前方法在速度与内存之间存在的权衡问题。WorldPlay 的强大性能源于三项关键创新：1）我们采用双动作表示（Dual Action Representation），以实现对用户键盘和鼠标输入的鲁棒动作控制；2）为保障长期一致性，我们提出重构上下文记忆（Reconstituted Context Memory），通过从历史帧中动态重建上下文，并利用时间重定位（temporal reframing）技术，使那些几何意义重要但时间久远的帧仍可被有效访问，从而显著缓解记忆衰减问题；3）我们进一步提出一种名为“上下文强制”（Context Forcing）的新型知识蒸馏方法，专为具备记忆感知能力的模型设计。该方法通过在教师模型与学生模型之间对齐记忆上下文，有效保持了学生模型对长程信息的利用能力，实现在实时运行速度下避免误差累积。综合来看，WorldPlay 能以24 FPS的帧率生成长达时序的720p流式视频，展现出卓越的几何一致性，性能优于现有技术，并在多种场景下表现出强大的泛化能力。项目主页与在线演示可访问：https://3d-models.hunyuan.tencent.com/world/ 和 https://3d.hunyuan.tencent.com/sceneTo3D。