家人们，我最近看到一个AI玩法，第一反应是：这个得拉个朋友一起玩得老好玩了！
两个人控制同一个场景，一个负责往前探索，另一个负责安排接下来发生什么。人在走廊里走，怪物就被安排上了。
一个当玩家，一个当导演，AI根据两个人的操作，把接下来的画面实时生成出来。
你一边探索，朋友一边加剧情，眼前的世界就这样不断往下生成。
最让我心动的是，玩到一半，还能临时改主意。
看见一条小巷，就想拐进去看看；觉得晴天没意思，就试着让场景里下场雪。你随时提出新想法，AI接着当前的场景往下生成。
这种一边接收操作、一边生成后续画面的能力，就是今天要聊的世界模型在探索的方向。
世界模型这个概念，并不是最近才冒出来的。
2018年，David Ha和Jürgen Schmidhuber的《World Models》就是一项代表性研究：让智能体学习环境如何变化，再到模型模拟的环境里练习。
这几年，李飞飞联合创办的World Labs在探索空间智能，Google DeepMind也推出了可以实时交互的Genie 3。
路线各有侧重，但是基本上都是尝试让AI更好地理解、生成和模拟世界。
但心动归心动，我马上想到一个现实问题：
毕竟，如果打开后，发现入场玩家必须先凑一套多卡服务器，那我的参与方式还是：点开视频，全屏观看。。。和传统的生成视频没有什么本质的区别。
今天，我刷到蚂蚁灵波给自己做模型LingBot-World 2.0做了一波更新，重点之一就是开源了面向消费级单卡GPU的1.3B小模型。
现在，一张消费级显卡，也能实时⽣成⼀个可交互世界了。
我对世界交互模型一直都兴致满满，在正式进入技术分析之前，我们先来看看它生成的世界，有什么值得玩。
先看这段巫师施法的官方演示。
第一眼：挺炫。
再看一遍，我注意到的是，巫师施法的时候，周围环境也在跟着变化。
巫师抬手、转身，释放不同的魔法；绿色魔法出现时，附近的雾气和路面也会染上绿色。
这就需要把人物动作、魔法效果和环境光影一起联动、配合处理，让人觉得这道魔法确实发生在这条街上。
而且，可以看到镜头移动的过程，商店、路面和楼体随着视角展开，巫师仍然处在这条街道里。至少在这段展示中，没有每放一次技能，就顺手把背景也换了。。。
用户不断加动作，模型还得照顾前面已经生成的内容。
再看另一段滑翔伞的。
随着视角转动，你会看向山坡、天空，也会俯视下面的村落。
这段没有施法那么热闹，但很适合看空间感。
近处的双腿和绳索、下面的山坡、远处的雪山，都是参照物。镜头一动，它们之间的相对位置也得合理变化。
如果只是把整张风景图左右平移，或者近景和远景各动各的，就很容易露馅。
在这段演示中，身体和装备持续提供着第一人称参照，外面的景观则随着视角展开。所以会有一种“我还坐在这里，只是在看向不同方向”的感觉。
我最近看了电影《奥德赛》特别沉迷，我试了一个特洛伊木马场景：
画面在变，但得整体的空间的延续性和丝滑的场景衔接，让我感觉像自己真的在这个场景里往前走。
只要试过一个场景，就会想继续折腾。这也是本轮小模型开源最实际的意义：让更多人有条件自己跑、自己改、自己验证。
我看了下官方的材料：相比此前的14B主模型，这次开源的1.3B版本面向消费级单卡GPU，支持本地实时生成。
以前，体验这类世界模型往往依靠公开视频、在线Demo，能试哪些操作、能运行多久、能调整什么，往往取决于展示和产品开放了哪些功能。
现在，终于有机会先在本地跑起来，模型到了自己手里，就有机会自己出题、自己验证了。
这给了很多小型团队、个人开发者、高校使带来机会，让更多人先进入实验过程。
如果是个人开发者，可以先改交互：比如，给镜头控制加上手柄操作，看看哪一种更顺手。模型负责生成，开发者围绕它设计玩法。
高校实验室可以把它用作研究工具，反馈延迟多大时，用户会觉得不跟手？文字和按键分别适合什么操作？场景偶尔出现不合理变化，会怎样影响用户的判断？
这些研究需要控制实验条件、记录输入和输出，也需要反复修改界面。本地部署让这些工作更容易展开。
如果是小团队，则可以先做应用原型。
比如互动展览，观众走到某个位置，或者作出一个选择，画面就继续生成。先做一个短流程，看看观众能不能理解操作、愿不愿意继续探索，再考虑扩展内容。
而参与者变多以后，开源的作用才会继续显现。世界模型等了很久的LLaMA时刻，可能要来了。
当然，虽然消费级单卡能实时生成，具体画质还得看算力和配置。
我也试了下1.3B版本的单卡效果：
镜头移动时，场景能跟着变化，但清晰度和高配版相比，还是能看出差距。
此外，这次还同步开源了可以用于后续训练的Causal Pretrain和 Bidirectional ：
Causal Pretrain可以支持后续训练和场景适配，给想深入研究的人提供了训练基础。 Bidirectional 可以用来蒸馏，帮助研究者用更少的计算保留生成效果。
这两项工作虽然还需要数据和算力，但有了已有模型作为巨人肩膀的起点，就不必全部从头做起。
传送门：
官网：
https://technology.robbyant.com/lingbot-world-v2
模型：
https://huggingface.co/collections/robbyant/lingbot-world-v2
代码：
https://github.com/robbyant/lingbot-world-v2
论文：
https://arxiv.org/pdf/2607.07534
那它是怎么接住操作、保持画面稳定，又把生成速度提上来的？咱们接着看论文。
我翻了一下论文，它接收的控制信息主要有两类：相机位姿和文本指令。
传送门：
https://arxiv.org/pdf/2607.07534
相机位姿，就是告诉模型“从哪里看、朝哪里看”。
论文用Plücker编码，把每个像素对应的观察射线表示成六维坐标，再通过自适应层归一化，也就是AdaLN，调整生成网络内部的特征，让画面生成参考这些空间信息。
对应到滑翔伞那段，就是你转动视角，模型得根据新的观察方向，补出接下来的景物。
文本指令，负责告诉模型“接下来发生什么”。
它给不同的视频片段配置对应的提示词，再通过交叉注意力，把文字要求和正在生成的画面联系起来。
比如前一段还在正常走路，下一段才要求施法，动作就应该在对应的位置出现。这样，剧情可以在生成过程中不断更新。
为了让系统主动安排事件，团队还接了一套“导演—执行”框架：
视觉语言模型充当“导演”，观察当前场景、提出事件；视频模型负责生成后续画面。生成结果再交回“导演”观察，继续决定下一步。
需要操作具体物体时，还可以借助基于SAM的分割与跟踪。比如开门，先找准你选中的是哪扇门，再围绕这个对象生成变化。
这就把看场景、安排事件、生成画面接成了一个循环。
我还关心另一件事：一直生成下去，画面会不会越来越离谱？
前面有一点变形，后面又把它当成依据，偏差就可能越积越多。
论文从预训练和后训练两个阶段来处理。
预训练时，常见做法是给模型提供正确的历史画面，让它学习生成后续内容，叫Teacher Forcing。
团队发现，历史内容越长，模型可能越依赖现成的上下文，出现过拟合和画质下降。因此，他们设计了MoBA混合注意力掩码。
它把两种训练方式结合起来：自回归部分练习根据过去生成后续，双向注意力部分则允许训练片段内部充分交流信息，帮助保留视觉生成能力，缓解单纯Teacher Forcing带来的过拟合。
文本也有对应的限制：自回归分支只能读取背景描述、当前和过去的指令，不能提前看到未来要求。
你后面才说“开始下雪”，它不能训练时就偷看答案。
到了后训练阶段，还得把生成速度提上来。
原来的Teacher需要多次去噪，逐步得到画面。团队先做一致性蒸馏，让Student学习用更少的步骤，逼近Teacher多步生成的结果。
但步骤少了，画质和长时稳定性可能受影响，所以接着做分布匹配蒸馏，也就是DMD，让生成结果的分布更接近真实数据分布：
这里最关键的细节，是DMD训练用到了Student自己连续生成的长序列。
如果训练时一直参考正确画面，实际运行时却要接着自己的输出往下画，两种情况就有落差。让它在训练时也面对自己生成的上下文，就是提前适应真实运行中可能遇到的偏差。
前面是自己生成的，后面也得学会接住。
当然，生成得快，还要让用户及时看到。
论文把生成、解码和传输做成了可以同时推进的流水线：模型生成下一段压缩表示时，VAE负责把上一段还原成画面；已经解码好的内容，再逐步传给用户。
这样就不用每个环节都等上一步全部完成，能缩短用户看到反馈的等待时间。
那持续生成的表现怎么样？
论文展示了一次60分钟的连续生成过程，从中选取20个场景：从水乡、城市街道，到温室、雪地码头，再到太空视角。
大家可以重点看后半程。运行到三四十分钟以后，建筑、植物和船坞等场景仍有清楚的轮廓与细节；接近一小时时，展示的画面也没有明显的整体画质崩坏。它在经历多个场景后，仍然保持了较好的视觉质量。
再看横向对比。论文把不同模型在灭火器、水上摩托两个场景中的结果，从5秒排到60秒。
这张图可以先横着看，同一个模型随时间的变化，再竖着比较不同模型。
以水上摩托为例，部分对照结果随着时间推进，逐渐出现噪点、变形或内容偏移。LingBot-World 2.0这一行，到后面的时间点，骑手、艇身和水面的关系仍然比较清楚。
◈结语
我觉得，一个能玩的世界交互模型，难就难在：你随时可以改主意，它还得接得下去。
你转动镜头，它要补出新的景物；你要求施法，人物和环境要一起响应；玩得久了，画面也不能越来越乱。前面那些技术设计，都是在解决这些具体问题。
而LingBot-World 2.0这轮更新，又把自己动手的门槛往下降了一步。
1.3B小模型，让更多人有机会在自己的机器上尝试；同时开放的Causal Pretrain和Bidirectional，则给进一步开发提供了基础—可以继续训练，让模型适应自己的场景，也可以研究怎样通过蒸馏，让生成更快、成本更低。
以前我们只能跟着视频往下看。现在，我们开始有机会自己决定：拐进去看看，再给里面安排一点故事。
这些想法能做到什么程度，还得真正跑起来才知道。但有了自己尝试和修改的条件，才有机会把【看着挺好玩】变成【我也做了一个】。
感兴趣的家人可以上手盘起来了！如果跑出来什么有意思的，欢迎评论区和我们分享～