來源：機(jī)器之心

　　作者：澤南、楊文

　　國(guó)產(chǎn)開源版 Genie 3 問世，昆侖萬維（維權(quán)）用 1.8B 模型跑出了神級(jí)效果。

　　世界模型，正在迎來一次技術(shù)大突破。

　　本月初，Google DeepMind 發(fā)布的 Genie 3，因?yàn)樾Ч@艷，關(guān)注度直接超越了 OpenAI 同日發(fā)布的 GPT-5。

　　Genie 3 實(shí)現(xiàn)了實(shí)時(shí)互動(dòng)、高度一致化的生成，直接從‘游戲畫面’邁入‘真實(shí)世界’的程度，它能維持?jǐn)?shù)分鐘的生成一致性，更重要的是還能做到實(shí)時(shí)響應(yīng)。

　　Genie 3 實(shí)現(xiàn)的效果。

　　AI 領(lǐng)域里，技術(shù)發(fā)展的速度總是很快，沒過兩個(gè)星期，開源的實(shí)時(shí)世界模型就已經(jīng)出現(xiàn)。

　　這款國(guó)產(chǎn)開源的新模型能把復(fù)雜的建筑和地形，玻璃的反光都模擬出真實(shí)感，符合物理邏輯。

　　或是模擬出《俠盜獵車手》（GTA）的大地圖，讓你可以在其中自由探索。

　　如果你上傳一個(gè)神廟逃亡游戲的截圖，就可以在這個(gè)世界模型里面開一局，AI 腦補(bǔ)出來的畫面會(huì)無限地向前延伸。

　　它就是昆侖萬維發(fā)布的交互世界模型‘Matrix-Game 2.0’，它的參數(shù)量?jī)H有 1.8B，能跑在單塊 GPU 上，生成的虛擬環(huán)境幀率能達(dá)到 25FPS，我們?cè)谄渲锌梢杂面I盤 WASD 按鍵進(jìn)行實(shí)時(shí)的自由移動(dòng)和視角控制，實(shí)現(xiàn)持續(xù)時(shí)長(zhǎng)達(dá)分鐘級(jí)的互動(dòng)。

　　最重要的是，它還是完全開源的（有權(quán)重 + 代碼庫），任何人都可以免費(fèi)使用和修改，還可以自己上傳圖片進(jìn)行體驗(yàn)。

• 項(xiàng)目鏈接：https：//matrix-game-v2.github.io/

• GitHub 鏈接：https：//github.com/SkyworkAI/Matrix-Game

• HuggingFace：https：//huggingface.co/Skywork/Matrix-Game-2.0

　　Matrix-Game 2.0 成為了業(yè)內(nèi)首個(gè)在通用場(chǎng)景上實(shí)現(xiàn)實(shí)時(shí)長(zhǎng)序列、交互式生成的世界模型開源方案，相比過去的開源模型有了質(zhì)的飛躍。它也成為了在外網(wǎng)引發(fā)關(guān)注的又一個(gè)國(guó)內(nèi)開源模型。

　　有人已經(jīng)在說‘這是開源版本的 Genie 3’了。它的效果究竟如何，我們第一時(shí)間進(jìn)行了實(shí)測(cè)。

　　一手實(shí)測(cè)

　　丟張圖即可走進(jìn)實(shí)時(shí)生成的虛擬世界

　　世界模型一直面臨諸多挑戰(zhàn)，尤其是在處理復(fù)雜環(huán)境、實(shí)時(shí)交互和高度動(dòng)態(tài)變化的情況下。傳統(tǒng)的世界模型通常依賴大量高質(zhì)量數(shù)據(jù)，且在缺乏預(yù)設(shè)情境時(shí)難以進(jìn)行準(zhǔn)確推理和反應(yīng)。同時(shí)，這類模型在生成和更新時(shí)需要消耗龐大的計(jì)算資源，導(dǎo)致實(shí)時(shí)反饋效率受限，從而難以真正落地應(yīng)用。

　　昆侖萬維推出的 Matrix-Game 2.0 為這一領(lǐng)域帶來了新突破。這款交互式世界模型結(jié)合了高度自由的操作與實(shí)時(shí)生成的特點(diǎn)，提供了一種獨(dú)特的玩法體驗(yàn)。

　　我們只需上傳一張靜態(tài)圖片，模型便會(huì)基于該圖像加載并生成一個(gè)虛擬世界。玩家可以通過方向鍵或 WASD 鍵控制人物在虛擬世界中的移動(dòng)，且每一次人物的移動(dòng)都會(huì)實(shí)時(shí)影響環(huán)境，并生成新的視頻內(nèi)容。

　　例如，我們丟給它一張 3A 大作《荒野大鏢客》的游戲畫面，并控制方向和視角切換，模型最終生成的視頻展示了非常細(xì)膩的自然景觀。

　　從山上俯瞰，一條清澈的河流蜿蜒流淌，看起來，Matrix-Game 2.0 不僅能夠理解海拔的高度差異，還能夠模擬出流水的動(dòng)態(tài)效果，這種精細(xì)的渲染無疑增加了虛擬世界的真實(shí)感與沉浸感。

　　再以經(jīng)典的《CS：GO》地圖 De_Dust2 為例，模型不僅加載了現(xiàn)有場(chǎng)景，還展現(xiàn)出強(qiáng)大的推理和補(bǔ)充能力。它能夠基于圖像信息自然拓展額外視角和細(xì)節(jié)，確保生成視頻在場(chǎng)景一致性和時(shí)序連貫性上的高度可靠。

　　對(duì)于《我的世界》這種像素畫風(fēng)的游戲場(chǎng)景，Matrix-Game 2.0 同樣表現(xiàn)出了極高的創(chuàng)造力。通過將靜態(tài)元素轉(zhuǎn)化為動(dòng)態(tài)場(chǎng)景，模型生成了一段如同無人機(jī)航拍的視角視頻，展現(xiàn)了兩側(cè)山脈的輪廓、梯田的層次、高大的樹木，以及河流中的倒影。

　　最近，《戰(zhàn)地 6》在全球范圍內(nèi)引起了廣泛關(guān)注，預(yù)購開啟后短時(shí)間內(nèi)登上 PS5 及 Steam 多個(gè)國(guó)家的暢銷榜，并在 Beta 公測(cè)期間以 52 萬 Steam 同時(shí)在線人數(shù)打破記錄。

　　我們利用 Matrix-Game 2.0 復(fù)刻了這款尚未發(fā)售的 3A 游戲精細(xì)地圖，每次角色移動(dòng)和視角切換都會(huì)實(shí)時(shí)觸發(fā)新的畫面生成。高幀率和物理一致性保證了操作與畫面的緊密結(jié)合，充分展現(xiàn)了其在cá c??c bóng ?á euro 2024 h?m nay高復(fù)雜度交互場(chǎng)景中的潛力。

　　Matrix-Game 2.0 的能力不僅局限于游戲場(chǎng)景，在現(xiàn)實(shí)世界模擬中，它能快速響應(yīng)用戶的視角與移動(dòng)變化，生成符合物理規(guī)律的自然畫面。

　　例如，它成功復(fù)現(xiàn)了自行車騎行的第一視角：柏油馬路筆直延伸，兩旁的行道樹不斷后撤，畫面細(xì)節(jié)豐富、動(dòng)態(tài)感強(qiáng)，每一幀都精準(zhǔn)模擬了現(xiàn)實(shí)騎行的空間感與真實(shí)感。

　　前段時(shí)間，Google DeepMind 研究科學(xué)家 Aleksander Holynski 使用谷歌 Genie3，‘走’進(jìn) 1978 年的名畫《蘇格拉底之死》，吸引了不少網(wǎng)友圍觀。

　　這次我們也來個(gè)‘名畫漫游’，讓 Matrix-Game 2.0 生成一段梵高《星空》的視頻，可以自定義不同角度觀察畫作，感受其構(gòu)圖、色彩與氛圍的變化。

　　同樣，我們還通過模型生成了宮崎駿風(fēng)格的鄉(xiāng)間小道場(chǎng)景，隨著方向鍵的切換，生成的畫面景色也隨之變化，腦補(bǔ)出的畫面毫無違和感，甚至連樹影都模擬出來了。

　　經(jīng)過一系列測(cè)試，我們認(rèn)為 Matrix-Game 2.0 的技術(shù)確實(shí)具備巨大的潛力。作為一個(gè)開源項(xiàng)目，它已經(jīng)能夠?qū)崿F(xiàn)高度真實(shí)的虛擬世界生成和實(shí)時(shí)交互，為游戲開發(fā)者和玩家提供全新的可能性。當(dāng)然，它也有不少可以提升的空間，比如視覺保真度并不總是能與主流游戲工作室的水平相媲美，而且復(fù)雜的交互有時(shí)對(duì) AI 來說也難以完美處理。

　　不過這是一個(gè)好的開始，Matrix-Game 2.0 讓我們看到，虛擬世界與現(xiàn)實(shí)交互的邊界正在被逐步打破，下一代游戲和智能體或許就將以此為基石。

　　從數(shù)據(jù)生成到模型架構(gòu)

　　核心技術(shù)全面突破

　　在上周開源模型的同時(shí)，昆侖萬維同時(shí)放出了 Matrix-Game 2.0 的技術(shù)報(bào)告，我們可以在其中看到不少技術(shù)細(xì)節(jié)。

• 技術(shù)報(bào)告鏈接：https：//github.com/SkyworkAI/Matrix-Game/blob/main/Matrix-Game-2/assets/pdf/report.pdf

　　最近一段時(shí)間，基于擴(kuò)散模型的方法讓我們看到了交互式視頻生成的潛力。但是，現(xiàn)有的交互式世界模型依賴于雙向注意力機(jī)制和冗長(zhǎng)的推理步驟，嚴(yán)重限制了實(shí)時(shí)性能，難以模擬現(xiàn)實(shí)世界的動(dòng)態(tài)。

　　為解決這個(gè)問題，昆侖萬維提出了一種全新的視覺驅(qū)動(dòng)交互世界建模方案，徹底擺脫了此前依賴語言提示的生成模式，專注于通過視覺理解和物理規(guī)律學(xué)習(xí)來構(gòu)建虛擬世界。

　　在 Matrix-Game 2.0 上，研究人員通過少步驟自回歸擴(kuò)散算法實(shí)時(shí)生成長(zhǎng)視頻，引入了一個(gè)專為實(shí)時(shí)模擬和交互設(shè)計(jì)的高效框架，同時(shí)應(yīng)對(duì)解決了效率和可控性的挑戰(zhàn)。

　　Matrix-Game 2.0 模型由三個(gè)關(guān)鍵組件組成：

• 適用于虛幻引擎和 GTA5 環(huán)境的可擴(kuò)展數(shù)據(jù)生產(chǎn)流水線，可有效生成海量（約 1200 小時(shí)）交互式視頻數(shù)據(jù)；

• 動(dòng)作注入模塊，支持幀級(jí)鼠標(biāo)和鍵盤輸入交互；

• 基于自回歸擴(kuò)散模型的少步驟蒸餾，用于實(shí)時(shí)流式視頻生成。

　　基于以上架構(gòu)和訓(xùn)練機(jī)制，Matrix -Game 2.0 能夠在單塊英偉達(dá) H100 GPU 上以 25 FPS 的速度跨不同場(chǎng)景生成高質(zhì)量的分鐘級(jí)視頻。

　　在模型的構(gòu)建過程中，首先昆侖萬維設(shè)計(jì)并實(shí)現(xiàn)了全面的數(shù)據(jù)生產(chǎn)管線，以支持交互式視頻生成模型的大規(guī)模訓(xùn)練，克服精準(zhǔn)匹配鍵盤控制與畫面、完善動(dòng)態(tài)交互這兩大挑戰(zhàn)。其開發(fā)的多樣化數(shù)據(jù)集生產(chǎn)流程包含從著名游戲引擎虛幻引擎和游戲 GTA5 的模擬環(huán)境中獲取靜態(tài)與動(dòng)態(tài)場(chǎng)景。

　　虛幻引擎的數(shù)據(jù)生產(chǎn)管線如下所示：

　　為了獲取更多交互式動(dòng)態(tài)場(chǎng)景，工程人員在 GTA5 環(huán)境中開發(fā)了一個(gè)綜合記錄系統(tǒng)，使用 Script Hook V 擴(kuò)展工具，使視覺內(nèi)容與相應(yīng)的用戶動(dòng)作同步捕捉。這個(gè)數(shù)據(jù)整理流程收集了超過 120 萬個(gè)視頻片段，它們的整體準(zhǔn)確率超過 99%。

　　GTA5 采集數(shù)據(jù)的軌跡。

　　在 Matrix-Game 2.0 的基礎(chǔ)模型框架上，昆侖萬維也進(jìn)行了一系列獨(dú)特的設(shè)計(jì)。模型源自 WanX，通過移除文本分支并添加動(dòng)作模塊，該模型僅根據(jù)視覺內(nèi)容和對(duì)應(yīng)的動(dòng)作來預(yù)測(cè)下一幀的畫面。

　　該系統(tǒng)首先對(duì)原始視頻數(shù)據(jù)進(jìn)行時(shí)空壓縮，圖像輸入通過 3D Causal VAE 和 CLIP 圖像編碼器作為條件輸入進(jìn)行處理。在用戶提供的輸入動(dòng)作的引導(dǎo)下，DiT 模型（Diffusion Transformer）生成一個(gè)視覺隱空間序列，隨后通過 3D VAE 解碼器將其解碼為視頻。

　　簡(jiǎn)單來說，這種機(jī)制避免了語言先驗(yàn)可能帶來的語義偏置，轉(zhuǎn)而專注于圖像的空間結(jié)構(gòu)和動(dòng)態(tài)模式，可以更準(zhǔn)確地理解和生成虛擬世界。

　　為了讓人們可以與生成內(nèi)容互動(dòng)，Matrix-Game 2.0 系統(tǒng)集成了動(dòng)作條件控制模塊，支持幀級(jí)鍵盤與鼠標(biāo)交互輸入。cá c??c bóng ?á euro 2024 h?m nay在其中，連續(xù)的鼠標(biāo)操作會(huì)直接與輸入的潛在表征相連接，經(jīng)多層感知機(jī)（MLP）層處理后，再通過時(shí)序自注意力層進(jìn)行動(dòng)態(tài)調(diào)整。此外，鍵盤操作通過交叉注意力層對(duì)融合特征進(jìn)行查詢，從而實(shí)現(xiàn)交互操作的精準(zhǔn)可控性。

　　Matrix-Game 2.0 基礎(chǔ)模型框架。

　　最后，為了生成更長(zhǎng)的視頻，減少內(nèi)容上出現(xiàn)的偏差，昆侖萬維開發(fā)了一種用于實(shí)時(shí)長(zhǎng)視頻合成的自回歸擴(kuò)散生成機(jī)制，通過 Self-Forcing 把雙向基礎(chǔ)模型轉(zhuǎn)化為高效的自回歸變體，讓每個(gè)幀基于先前自生成的輸出而非真實(shí)值進(jìn)行條件化處理，從而解決了暴露偏差，顯著減少了此前世界模型中常見的誤差累積問題。

　　自驅(qū)動(dòng)因果擴(kuò)散模型訓(xùn)練流程示意圖。通過自條件生成機(jī)制，蒸餾過程將學(xué)生模型的分布與教師模型進(jìn)行對(duì)齊。該方法在保持生成質(zhì)量的同時(shí)有效抑制了誤差累積。

　　實(shí)驗(yàn)效果如何？在與 Oasis 世界模型的對(duì)比上，Matrix-Game 2.0 在長(zhǎng)時(shí)間互動(dòng)視頻生成方面效果更好：Oasis 會(huì)在生成幾十幀之后效果明顯下降，Matrix-Game 2.0 則能夠一直保持穩(wěn)定。

　　Matrix-Game 2.0 和 Oasis 生成畫面效果的對(duì)比。

　　定量比較的話，Matrix-Game 2.0 在圖像質(zhì)量、時(shí)間一致性、控制準(zhǔn)確性等方面保持領(lǐng)先，同時(shí)也保證了靈活性和效率不降低。

　　可見，昆侖萬維的新方法可以有效減少當(dāng)初 Oasis 模型‘轉(zhuǎn)一圈畫風(fēng)完全變了’的尷尬情況，這對(duì)于面向?qū)嶋H落地的應(yīng)用來說非常重要。

　　昆侖萬維

　　持續(xù)發(fā)力開源社區(qū)

　　Matrix-Game 2.0 并不是昆侖萬維第一次展示實(shí)力。在開源領(lǐng)域，最近這家公司的名字越來越頻繁地出現(xiàn)。

　　僅在今年，昆侖萬維就開源獎(jiǎng)勵(lì)模型 Skywork-Reward-V2，無限時(shí)長(zhǎng)電影生成模型 SkyReels-V2，多模態(tài)推理模型 Skywork-R1V，面向數(shù)學(xué)、代碼等領(lǐng)域的文本推理模型 Skywork-OR1，以及軟件工程自主代碼智能體基座模型 Skywork-SWE 等等多款模型。

　　在 HuggingFace 上，昆侖萬維的模型熱度很高。

　　上周連續(xù)五天的技術(shù)發(fā)布活動(dòng)，昆侖萬維還陸續(xù)發(fā)布了 SkyReels-A3 視頻生成模型、世界模型 Matrix-Game 2.0 與 Matrix-3D、Skywork UniPic 2.0 多模態(tài)訓(xùn)練推理框架，Skywork Deep Research Agent v2、Mureka V7.5 等等一系列 AI 模型、工具。這一套覆蓋圖像、音頻、視頻、音樂、智能體的組合拳，向世人展示了該公司持續(xù)深耕技術(shù)的成果。

　　這些 AI 領(lǐng)域的新技術(shù)，有很多都實(shí)現(xiàn)了業(yè)界領(lǐng)先的水平，不僅讓昆侖萬維在技術(shù)落地上不斷擴(kuò)大版圖，也通過不斷的開源反哺了研究社區(qū)。

　　當(dāng)然，這樣持續(xù)不懈的前沿技術(shù)研發(fā)也在引發(fā)質(zhì)變，開啟新的方向。

　　世界模型

　　進(jìn)入實(shí)用階段

　　在 DeepMind 的 Genie 3 發(fā)布后，很多人發(fā)現(xiàn)，世界模型已經(jīng)不再是個(gè)未來式，而是正在展現(xiàn)出很大應(yīng)用潛力。DeepMind 自己就表示，希望能把世界模型生成的環(huán)境直接對(duì)齊到機(jī)械臂和具身智能的訓(xùn)練上。

　　在很多情況下，具身智能的基礎(chǔ)模型面臨著數(shù)據(jù)匱乏、采集難、難以泛化等問題，世界模型生成的虛擬環(huán)境，可以成為 AI 完美的訓(xùn)練場(chǎng)。世界模型會(huì)在學(xué)習(xí)物理規(guī)律、事物之間交互規(guī)則等知識(shí)后進(jìn)行預(yù)測(cè)和規(guī)劃。在其中進(jìn)行探索的機(jī)器人、自動(dòng)駕駛汽車依據(jù)這些規(guī)則進(jìn)行交互，就可以訓(xùn)練出更多的智能。

　　可見不僅在游戲、虛擬人等娛樂場(chǎng)景中，在發(fā)展現(xiàn)實(shí)世界生產(chǎn)力的‘物理 AI’方面，世界模型也可以發(fā)揮作用。

　　在 Matrix-Game 2.0 等開源技術(shù)出現(xiàn)之后，世界模型實(shí)用化的腳步還會(huì)加快。

責(zé)任編輯：楊賜