行业资讯 / ARTICLE

双榜第一背后,他们想做的不是下一个世界模型

编辑|牛来 今年交互视频世界模型成了大热门。 阿里 HappyOyster、蚂蚁 LingBot、生数科技 Vidu S2、爱诗科技 PixVerse R2 等接连亮相。 虽然技术路线各有侧重,但各家目标高度一致,都想让 AI 视频能实时响应用户操作,支持连续交互,生成一个可以自由探索的虚拟世界。 当然,我们对距离真正开放、长期运行的生成世界一直抱有保守期待,毕竟真正落地有不少技术与工程难题。 但

2026-10-19 3198 管理员
Fzu_B ORIGINAL
CONTENT
双榜第一背后,他们想做的不是下一个世界模型
双榜第一背后,他们想做的不是下一个世界模型

非凡国际为你整理相关体育消息:

编辑|牛来 今年交互视频世界模型成了大热门。

阿里 HappyOyster、蚂蚁 LingBot、生数科技 Vidu S2、爱诗科技 PixVerse R2 等接连亮相。

虽然技术路线各有侧重,但各家目标高度一致,都想让 AI 视频能实时响应用户操作,支持连续交互,生成一个可以自由探索的虚拟世界。

当然,我们对距离真正开放、长期运行的生成世界一直抱有保守期待,毕竟真正落地有不少技术与工程难题。

但现实的进展,往往快过预期。

最近,我们在交互视频世界模型评测 WBench 的榜首,看到了一个新名字: Murea-Pro 。

它在多轮交互视频评测 WBench Full-289 中,以 81.

1 分 拿下第一 。

其中拉开差距最大的交互能力和物理合理性,分别取得 82.

6 和 74.

4 的高分。

Wbench 链接: https://meituan-longcat.

github.

io/WBench/#leaderboard 生成速度方面非常亮眼,RTX PRO 6000 可以做到 3.

6 s 生成 5s 长度视频, RTF < 1 (Real-Time Factor,实时因子),处理速度快于音频播放速度,实现了实时视频。

about image

我们在该模型官网,发现它还有一个轻量型的开源版本: Murea-Fast 。

这个「轻量型」并不逊色,在参考生视频评测 OpenS2V-Eval 中,以 64.

98 分位居参评开源模型第一,其 NexusScore 达 51.

66,在参考还原能力上同样排名第一。

两项成绩,让这组模型进入了我们的视野,在认真拆解了它的技术报告以及经过实测后,发现很多有意思的地方:这个团队的野心,不是下一个世界模型,而是更好玩、更有想象空间、能更快落地的 —— 实时互动内容模型 。

视频地址:https://mp.

weixin.

qq.

com/s/_YAaKBXAJuwOjXcFovarLA 脱离「看视频」的逻辑,这更像在一个 AI 生成的世界里真正「玩」起来。

技术解读:Murea-InWorld 如何维持一个持续演化的世界?

Murea-InWorld 采用 两层协同架构 。

每轮交互开始时, 上层的 Murea-Mind 作为模型大脑,会读取当前世界状态、用户指令和上一段视频的结束画面,规划下一个事件,充当编剧和导演和核心角色;

下层的 Murea-Pro 和 Murea-Fast 负责执行生成相应的画面与声音;

生成结果随后交给大脑模型检查,确认发生的变化再写回世界状态,成为下一轮交互的依据。

这一过程可以概括为 「状态、行动、生成、观测」 。

这种双层协作,可以让模型避免出现生成虽快,但内容无意义的情况,真正做到让用户用自然语言来持续改变一个有记忆、有声音、可以回档分支、支持多人参与的虚拟世界。

GitHub链接:https://github.

com/Murea-Labs/InWorld Hugging Face链接:https://huggingface.

co/MureaLabs/InWorld 官网链接:https://murea.

ai/ 让这套闭环稳定运转的关键,是 持续更新的世界状态 。

系统在视频模型之外维护一套「账本」,人物和场景的参考图、声音、固定描述被保存为资产;

人物位置、服装、情绪、随身物品,以及天气、光线等信息则持续更新。

固定身份与动态状态分开管理,可以降低角色外观和剧情变化互相干扰的概率。

用户撤销操作时,系统恢复生成前的状态快照;

重新选择则创建并行分支,原有视频与剧情继续保留。

多人模式下,每名玩家的输入先转换为结构化动作,再由系统统一编排进同一画面。

World Agent 总览。

上层保存世界记忆;

中层把用户指令转换成生成条件并保存片段;

下层回看生成画面,为后续规划和部分状态更新提供依据。

世界状态确定之后,Murea-Pro 和 Murea-Fast 负责生成画面与声音,其核心机制是 Omni-Reference Generation 。

人物、动物、物品和场景参考会被分别编码为干净的条件 latent,并获得独立编号。

参考素材不参与加噪和去噪,主要作用是稳定人物身份和外观。

左侧是输入参考,右侧是同一生成视频的连续采样帧。

可重点看人物、猫、布料与庭院的组合,以及多人同框、写实和风格化场景中的实体对应。

视频与音频在同一个 DiT 中联合生成。

受控注意力机制先让参考信息作用于各自模态,再通过正片中的视频和音频 token 建立联系。

训练数据使用结构化描述,明确每个参考对应谁、由谁说出哪句台词,以及动作和镜头发生的时间顺序。

音视频生成框架总览。

模型能力的三层结构。

上方 (a) 说明参考图、可选声音参考和文本如何共同控制音视频生成;

左下 (b) 说明 MeanFlow → DMD 两阶段蒸馏;

右下 (c) 说

以上内容由非凡国际整理发布。

分享本文

MORE FROM Fzu_B

继续发现更多内容

返回栏目列表,浏览更多行业资讯、赛事动态与深度分析。

返回列表