今年，交互式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。各家技术路线不尽相同，但目标高度一致：让 AI 视频能实时响应用户操作，支撑连续交互，生成一个可以自由探索的虚拟世界。
真正开放、长期运行的生成世界距离落地还有多远？我们原本持保守态度，毕竟这背后有不少技术与工程难题。但现实进展往往比预期更快。
最近，在交互视频世界模型评测 WBench 的榜首，出现了一个新名字：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 榜单地址：WBench
生成速度方面同样亮眼。RTX PRO 6000 上可以做到 3.6 秒生成 5 秒长度视频，RTF < 1（Real-Time Factor，实时因子），生成速度快于视频播放速度，已经实现实时视频。
在 Murea Labs 官网，我们还发现它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。认真拆解技术报告并经过实测后，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。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 充当模型「大脑」，会读取当前世界状态、用户指令，以及上一段视频的结束画面，规划下一个事件，相当于编剧兼导演的角色。下层的 Murea-Pro 和 Murea-Fast 负责执行，生成对应的画面与声音。生成结果随后交回大脑模型检查，确认发生的变化再写回世界状态，作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」。
相关资源：
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) 说明带有限历史的流式续写。
连续生成采用有限历史窗口策略。视频侧主要保留前一个片段，音频侧保存更长的上下文，用来衔接未说完的句子和人物语气。训练时，系统会给历史内容加入噪声或 latent 扰动，使模型提前适应前序片段存在瑕疵的情况。
低延迟则主要依靠 少步蒸馏与系统优化。Murea-Pro 经过 50 步到 4 步蒸馏及系统优化后，在 8 张 H20 上将 5 秒有声音视频的生成时间由 231.6 秒缩短至 6.96 秒，端到端累计加速 33.3 倍。
换用 RTX PRO 6000 Blackwell，同一套管线生成 5 秒有声音视频只需 3.6 秒。按照「生成耗时 / 成片时长」计算，其实时因子 RTF 约为 0.71。RTF 低于 1，说明模型生成速度快于视频播放速度。换句话说，在该硬件和测试条件下，Murea-Pro 已经达到实时生成的速度门槛。
从左到右看延迟，从上到下看累计优化。8 张 H20 上，生成 5 秒音视频的延迟由 231.6 秒降至 6.96 秒，累计加速 33.3 倍；其中 50 → 4 次模型评估先将延迟降至 23.2 秒，后续优化继续降低开销。每一行都保留此前优化。
评测结果印证了两款模型各自的能力侧重。在 WBench Full-289 中，Murea-Pro 以 81.13 分排名第一，其交互能力为 82.60 分，物理合理性为 74.42 分，分别领先第二名 9.52 分和 5.23 分。
具体来看，Murea-Pro 在事件编辑、角色动作和视角切换上表现突出。其中，事件编辑得分 90.92，角色动作得分 87.04。导航得分为 71.79，是四类交互任务中相对较弱的一项。画面质量方面，Murea-Pro 得到 79.97 分，整体处于较高水平。
Murea-Fast 的优势集中在多参考生成，在 OpenS2V-Eval 中获得 64.98 分，位居参评开源模型第一，其 NexusScore 达到 51.66，为被测参考生视频系统最高。在扩展评测 OS2V-Pro 中，Murea-Fast 的逐参考保真度为 46.0，排名第一；片内身份一致性达到 89.0，并列第一。
由此可见，Murea-Pro 擅长多轮指令执行和物理因果，Murea-Fast 在多参考身份保持方面表现突出。
一手实测：AI 能否把一段故事持续演下去？
除了成绩和技术原理，我们更想知道：在当下「互动」还普遍是预制的阶段，真的能实现让用户在 AI 世界里「玩」起来吗？我们抢先体验了一把 Murea-InWorld。系统随机生成一个科幻世界，自动设定人物、场景和故事主线。故事很简单，但里面很多细节值得关注。
首先是连续性和一致性。主角手里的平板道具在第一段视频之后，已经被面板记录，在后续十几轮交互里，一直是主角拿着，也一直是这个平板。普通视频续写主要依靠此前的画面维持连续性，角色拿过什么、物品现在归谁，并不一定有明确记录。一旦镜头切换，这些信息就可能丢失。但 Murea-InWorld 可以在连续生成十几段视频后，依然保持人物外貌、随身道具、背景环境的稳定。
其次是自然语言的即时生成。每轮视频结束后，Murea-InWorld 都会根据当前剧情推荐后续行动，选一项系统即可自动推进剧情和镜头，无需逐段编写详细提示词。
我们还可以临时改变剧情，直接输入：「画面突然出现了一只小猫。」系统随即为它创建独立资产，下一段视频里，一只三花猫出现在控制室。此后镜头切换，它的外观依然保持一致，没有因为场景变化而突然消失。而且小猫出现的过程中，剧情和台词会根据此刻场景（空间站）以及主角动作给出自然的衔接，保证了剧情体验的一致性。
再一条指令让小猫绕着主角转一圈，系统也正确识别了动作主体和目标，两个角色的动作关系没有出现混淆。
在这 15 轮交互里，Murea-InWorld 给人最直观的感受是，故事没有随着视频片段增加而「失忆」。主角手中的道具不会无故消失，临时加入的新角色也能进入后续剧情，玩家还可以随时介入并改变走向。目前来看，Murea-InWorld 已经让连续生成有了接近实时互动的感觉。
生成式互动世界，能打开多大的市场？
生成式互动世界最直接的价值，在于将内容生成放进用户参与的过程之中。传统互动内容通常需要提前设计情节、制作素材并提前制作大量分支，更偏向一种「预制」。而 Murea-InWorld 系统利用 Murea-Mind 的大脑能力，可以让玩家用自然语言随时改变世界走向，这是一套新的实时互动内容生产范式。
这套范式真正做到了「让一千个玩家，玩出一千个哈姆雷特」，它可以延伸进游戏、互动叙事、虚拟角色、在线娱乐等众多场景。多家机构估算，相关市场合计已达百亿美元量级，叠加 AI 陪伴等相邻赛道的增速效应，这一数字有望在 2030 年前后扩展至 500 亿美元。若高质量互动内容渗透率达到全球内容娱乐市场的 10%，对应的长期规模更是将突破千亿美元。
不过，市场空间再大，最终还得靠产品体验说话。从 Murea-InWorld 展现出的模型能力与系统完成度来看，Murea Labs 团队已在构建实时互动内容模型的方向上迈出了值得关注的一步。接下来，就看他们能否在游戏、影视和互动娱乐等场景中，持续将技术潜力转化为真实体验，找到规模化落地的机会。
对这类实时交互视频模型的后续进展感兴趣，不妨到 云栈社区 与开发者一起交流。令人期待的生成式世界未来，就在不远处。
相关链接：
发表于 6 小时前
|
查看: 3|
回复: 0
