通用視頻世界模型開發完成

通用視頻世界模型開發完成

近日，一款名為 Wonder 的通用視頻世界模型正式公開，迅速在人工智慧領域掀起討論。根據消息來源「何夕2077」指出，這項研究由 Jiacong Xu、Hanwen Jiang 等學者共同完成，實現了從靜態圖片或條件影片出發，即時生成可供使用者自由操控相機的動態三維世界。不同於傳統的影片生成工具，Wonder 讓使用者不再只是被動觀看，而是能像在遊戲中一樣主動探索場景，開創了影片生成的全新互動模式。過去幾年間，影片生成模型雖然進步神速，但多數作品仍停留在「生成一段固定視角的短片」階段。使用者無法改變觀察角度，也無法與生成內容互動。

Wonder 的突破在於首次將「世界模型」與「即時相機控制」深度結合。只要提供一張圖片或一段參考影片，模型便能瞬間建立一個連貫的虛擬環境，使用者可以移動相機前往未見過的區域，甚至回訪先前觀察過的位置，整個過程流暢自然，且幾何結構與外觀保持一致。這項能力的背後，是研究團隊從系統層面重新設計了三大核心模組：相機控制、記憶機制與訓練策略。在相機控制方面，團隊提出「密集座標場」作為新的條件輸入。透過在生成過程中渲染含有密集座標的參考圖，模型能直接將相機運動解讀為視覺證據，從而精準理解使用者的操控指令。這項設計解決了傳統控制方法中訊號模糊、反應遲緩的痛點，讓相機移動與生成畫面高度同步。

為了支援長時間、大範圍的場景探索，Wonder 配備了基於稀疏注意力的高效記憶機制。隨著生成長度增加，模型不需要處理全部歷史資訊，而是透過稀疏選擇少量相關的上下文標記進行記憶提取，實現快速且精確的回訪。這項設計大幅降低了計算成本，使模型能夠在長時程生成中維持場景的一致性，避免因上下文過長而出現遺忘或混亂。訓練流程同樣經過精心改進。研究團隊針對自蒸餾（self-distillation）管線進行了多項修正，確保學生模型既能忠實遵循控制訊號，又能保留教師模型的生成多樣性與長期記憶能力。

這些最佳化讓 Wonder 在控制精準度與內容豐富度之間達成了良好平衡，生成的影片不僅符合使用者預期，還保留了令人驚喜的細節變化。在實際性能上，Wonder 交出了亮眼的成績單。它能夠以每秒 16 幀的速度即時生成數分鐘長度的影片，且在長時間滾動生成中保持連貫的幾何結構、外觀與動態。這意味著使用者可以在互動過程中獲得近乎即時的回饋，體驗流暢且沉浸，彷彿置身於一個微型的可探索世界。除了從圖片生成影片，Wonder 也原生支援「影片條件生成」。使用者可以輸入一段已有的動態場景，讓模型即時重繪或延伸該場景，達到類似「重新拍攝」的效果。

這項功能對影視後製、遊戲場景編輯等應用極具吸引力，創作者能在既有素材上自由調整視角，大幅提升工作彈性。論文在 arXiv 上發布後迅速吸引社群關注，在 Papers with Code 平台獲得 11 個推薦，並已被收錄至多個論文合集。研究者提供的示範影片展現了模型在室內、戶外及複雜動態場景下的穩定表現；無論是細微的光影變化還是物體的持續運動，Wonder 皆能妥善處理，顯示其強大的泛化能力。

該研究由約翰霍普金斯大學與 Adobe Research 等機構共同完成，作者群包括 Jiacong Xu、Hanwen Jiang、Zhixin Shu、Kalyan Sunkavalli、Vishal M.Patel 與 Yiqun Mei。論文編號為 arxiv:2607.26037，目前已開放預覽，雖未公開完整模型權重，但專案頁面已提供多支示範影片，讓外界得以一窺其技術實力。業界分析認為，Wonder 的問世可能為影片生成帶來新典範。在虛擬實境內容創作、自動駕駛模擬、互動式遊戲場景等領域，這種「可操控的世界模型」皆能派上用場。

隨著後續研究繼續優化效能，甚至可能出現消費級應用，讓一般使用者在個人電腦上打造屬於自己的虛擬世界。從「生成內容」到「生成可探索的世界」，Wonder 跨出了關鍵一步。這項研究不僅推進了影片生成模型的技術邊界，也為人機互動開啟了更具想像力的未來。隨著更多細節陸續公布，我們將持續關注這款模型能否真正落地，改變我們創造與體驗虛擬環境的方式。