Viggle 发布 JST-2：把场景、角色和动作放进同一个 3D 世界

Viggle 把 JST-2 称为“物理原生世界基础模型”。它接收图片或多模态提示，生成带空间结构的 3D 表示。

模型再根据新的视角、动作或外力，解码出图像和 3D Gaussian splats。

01　世界先被表示，再被渲染。

JST 的核心单位叫 Physics-Native Token。官方解释是，每个 token 对应 3D 空间中的一个持久化原子，可以代表一块物质或物体的一部分；它带有 xyz 位置、属性向量和动力学向量。模型因此保留了对象在空间中的身份，以及它随时间移动、变形时的变化信息。

视频中的架构示意：输入图像经过 JST 编码器，进入 3D 空间中的持久化原子。解码器再输出图像或 3D Gaussian splats。

这套表示让“换一个角度看同一个场景”拥有了中间状态。官方页面展示的交互流程包括输入图像、编码、生成 token 和选择视角。

用户还可以加入运动或外力，最后输出图像或可在浏览器中渲染的 3D Gaussian splats。

02　一次生成之后，场景可以继续扩展。

JST-2 的场景生成页面支持从文本提示或图片开始。官方称，模型最多接收 64 个输入视角作为空间上下文；用户每增加一个视角，后续生成就可以获得更多场景信息。已经生成的场景也能从不同角度反复查看，重新生成只发生在新增内容时。

官方给出的场景生成时间约为 1 秒，测试环境是 NVIDIA B200，且不包含网络延迟。页面将这一结果与 Marble 的约 5–6 分钟生成时间并列展示。这个对比对应的是模型推理阶段，不等同于完整应用从输入到交付的总耗时。

03　角色、动作和机器人进入同一条链路。

JST-2 还把角色和动作放进同一个世界表示。官方页面展示了从单张图片生成 3D 角色、从文字生成全身动作，以及从视频重建动作的案例。

页面也展示了让角色在场景中完成动作的过程。角色生成结果带有动作动力学信息，官方称这可以省去单独的绑定和蒙皮步骤。

视频中的机器人场景：左侧画面标注为世界视图，右侧画面显示机器人视角和动作指令。

画面文字写着“让机器人拿起左侧的盒子”。

视频演示中的一个场景是：机器人站在室内人物前方，界面同时显示世界视图、机器人视角和动作提示。右侧文字要求机器人拿起左侧的盒子，画面把环境、人物、机器人和动作放在了一起。

Viggle 在视频口播中把这条路线连接到机器人训练环境。当前公开材料展示的是生成与重建能力，机器人训练效果仍需要单独的实验与部署证据。

04　官方测试给出了什么，API 又开放到哪一步。

在角色生成的盲测中，Viggle 将 JST-2 与 Meshy 7.1、Tripo H3.1 比较。官方页面显示，JST-2 在服装、纹理、身体和面部质量等项目上取得更高的偏好分数；角色动画准备度测试也覆盖关节对齐、绑定可用性、变形质量和手部绑定。页面同时提供了完整的角色 benchmark 链接，但没有在这次发布页中公开全部测试协议。

开发者入口已经出现在 Viggle API 页面。公开的 Scene Model 接口可以从文本提示或 360° 全景图生成可探索的 3D 场景。

接口返回 .spz Gaussian splat。页面给出的场景生成价格是每个提示场景 0.06 美元，后续新视角和重建任务各为 0.01 美元。API 页面还要求开发者用密钥、异步任务和轮询流程接入，签名 URL 需要自行下载和保存。

JST-2 把场景、角色和动作放进同一套空间表示。对内容创作者，生成结果可以继续被观察和扩展；对开发者，API 已经把 3D 场景、角色和动作拆成了可以调用的入口。

对机器人研究，Viggle 正在把它们指向可生成的训练环境。下一步需要看的，是这些世界能否在更复杂的交互中保持结构、动作和物理关系。

SOURCES。

Viggle JST-2 官方发布页。

Viggle Models & API 官方页面。

Viggle 官方 X 帖与视频转写。