注意看，这个男人正躺在沙发上呼呼大睡，屏幕下方的输入框里有一行字：“What would you like to happen next?”（你希望接下来发生什么？）。

你可以输入任何天马行空的指令把男人弄醒，比如让壁炉的火蔓延到房间，引发浓烟把他呛醒；或是让窗外突然雷雨交加，把他吵醒；甚至凭空变出一个外星人把他劫走。

在输入文字/语音指令后，AI会在几秒内生成相应的视频内容。但可能是因为初始设定，这个男人最终总会回到沙发上，继续呼呼大睡。

展开剩余91%

看起来像是一个AI恶作剧游戏，但这其实是PixVerse最新发布的通用实时世界模型——PixVerse R1带来的真实体验。

PixVerse于上周发布了全球首个支持1080P分辨率通用实时世界模型PixVerse R1，在AI视频圈迎来了一个小高潮。

{jz:field.toptypename/}

简单来说，以前我们用AI生成视频，需要先输入提示词，然后等待生成，最后得到一条视频。但PixVerse R1主打的是一种实时生成和交互的无限流体验。

在PixVerse R1的官方演示视频中，画面左下角不断出现实时的指令输入，例如“一架黑色乌鸦飞过”“士兵拼命逃跑”“桌子翻倒”等。这些指令输入后，视频中的画面立即随之改变，且画面是连续不断演进的。

理论上，只要你不断输入指令，视频就可以永远生成下去，像一场没有尽头的电影。过程中，我们能随时通过提示词改变画面走向，随意操控视频中的世界，这种体验类似于玩一款言出法随的游戏。

就像上文那条视频的演示，人人都可以体验当上帝《楚门的世界》导演了。

对于PixVerse R1的上线，社交媒体上充满了溢美之词，仿佛视频生成的终极形态已经到来。我们也第一时间拿到了R1的试用资格。

虽然，如果以当前主流AI视频生成工具的质量标准来衡量，R1的表现很难称得上惊艳，提示词遵循度、画面的精细度和稳定性都有待提高。

但我们需要意识到，目前的PixVerse R1，本质上还处于早期内测阶段，而并非一个成熟的商业化产品。就像以往很多大模型一样，世界模型更接近一次基础设施层面的重塑，需要各行各业的进一步探索和落地。

在AI生成视频技术已经如此成熟的今天，世界模型的革命性到底在哪里？为什么世界模型是下一个技术前沿？以及为什么现阶段的它看起来并不是那么完美？

今天，我们决定从PixVerse R1切入，聊聊世界模型究竟是什么，并盘点那些爆火的世界模型，尝试探讨一下世界模型将如何重塑游戏、影视、内容创作等行业。

实测PixVerse，

一场无限流交互体验

在PixVerse R1的官网首页（https://realtime.pixverse.ai/），有一个名为“探索交互世界”的广场，这里预设了多个风格迥异的可交互虚拟世界。

你可以潜入深海探索、登上月球漫步，也可以穿越回二战战场体验，或是进入《塞尔达传说》中的海拉鲁大陆冒险。

其中最能体现交互式趣味的，莫过于我们在开头提到的《Can You Wake Him Up? 》。

当然，如果你不想玩预设好的剧本，PixVerse R1也提供了从零开始的创造模式。只需要确定好视频画幅比例，选择一种视觉风格（如第一人称视角的POV、氛围感或戏剧性），最后输入你构想的世界观。设定完成后，一个属于你的、可供探索的实时生成世界就诞生了。

接下来展示几个我们的测试结果。

我先是选择了一个名为“Cybergens”的主题场景，画面主体是一个充满金属质感的旋转机械骷髅头。

我输入“戴上一顶西部牛仔帽”的指令，我的预期是在保持机械骷髅主体不变的前提下，头顶凭空生成一顶帽子。实际上却是机械骷髅瞬间变成了一个戴着牛仔帽、眼镜和留着胡子的真人男性，但还是挺酷炫的。

然后我又尝试了另一个指令“头部被小丑扑克牌环绕”，很显然生成的不是小丑扑克牌，但原本的骷髅头变成了一个🤡。我恍然大悟，好像是这么个逻辑：我说西部牛仔帽，它理解成西部牛仔；我说小丑扑克牌，它理解成小丑。

进入这个塞尔达风格的世界后，一个酷似林克的卡通角色正在旷野上奔跑。我输入指令“长出一对白色翅膀在天空飞翔”。

我的预期是角色应该像《原神》中使用风之翼那样，自然地展开翅膀升空、滑翔，保持动作的流畅性。结果却是原本正在向前奔跑的角色突然停下，然后莫名其妙地转过身来正对镜头，背后长出一对白色羽翼，原地扑腾了几下。

在这个名为月球漫步的世界中，我先后输入指令“一艘UFO降落在地表”和“几个外星人从UFO下来”，结果UFO是有了，但从UFO上下来的却不是外星人，而是几个宇航员。

在经历了前几次指令翻车后，我意识到目前的PixVerse R1在理解因果逻辑时存在短板。于是我决定放弃人为干预，看看如果不输入任何指令，模型靠自己的想象力会如何发展。

这次我选择了容错率最高的“赛博朋克城市”主题，因为赛博朋克本身是个超现实题材，离奇和崩坏也就没那么不合理了。

出乎意料的是，这竟然是效果最好的一次，让人仿佛置身于动画《赛博朋克：边缘行者》的场景中。

视频开始于一段第一人称视角的城市漫游，巨大的全息金鱼在街道上空游动，街边的拉面摊冒着热气，开云app在线下载入口无人机在一座巨大的发光时钟旁穿梭……

伴随模型PixVerse R1发布的，还有一份技术报告，PixVerse R1由三个模块支撑：Omni、Memory和IRE。

Omni原生多模态基座是端到端的多模态模型，文本、图像、视频、音频被统一编码成连续token流。在保证实时性的同时，PixVerse R1维持了1080P的高分辨率，依靠Omni多模态底座，将文本、图像、音频和视频统一处理，实现了视听同步，还是很有技术挑战性的。

盘点那些爆火的世界模型

如果我们把视线从PixVerse R1身上移开，环顾整个世界模型赛道，会发现这里早已硝烟弥漫。在这个赛场，还有几位不得不提的重量级玩家。

据“AI新榜”观察，目前世界模型的底层架构主要分为三大流派，且呈现出相互融合的趋势。一派是以PixVerse R1和Odyssey-2为代表的“视频派”，以生成视频为核心；另一派是以Marble为代表的“3D/空间智能派”，这一路径往往可以生成可交互、可导航、可编辑的三维环境；还有以NVIDIA Cosmos为代表的“物理派”，目标是构建极其精确、仿真的数字孪生世界，用来训练机器人和自动驾驶。

Genie 3

https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models/

Genie 3是谷歌DeepMind于2025年8月推出的最新一代世界模型，它能根据简单的文字提示实时创造可交互、可探索的虚拟世界环境。这个虚拟世界像游戏那样可以自由移动、互动，而且在短时间内保持物理及视觉一致性，让用户（或者训练中的智能体）像进入一个真正的世界一样探索和操作。

跟传统的文本生成视频模型不同，Genie 3要同时理解世界的逻辑、物理与持久性，它能在720P分辨率、每秒24帧的条件下保持数分钟内世界的连贯性。这意味着你在一个场景里改变了某个对象的位置、天气等等，它能够记住这些场景状态。当用户控制角色离开某个场景再返回时，场景内的物体布局等状态保持不变。

从官方介绍看，谷歌也把Genie 3定义为第一款支持实时交互的世界模型。相比Genie 2，Genie 3在交互性和画质上实现了质的飞跃：用户不仅能控制角色移动，还能通过文本指令实时修改环境规则，比如“把白天变成黑夜”、“让重力失效”。这种能力证明了模型对物理语义的深度理解。

Odyssey-2

https://odyssey.ml/the-dawn-of-a-world-simulator

Odyssey-2是Odyssey（AI创业公司）2025年推出的实时互动式AI视频世界模型，和PixVerse R1十分相似，同样主打实时生成和可交互，能以约20帧每秒的速度实时生成视频帧。

据我们的测试，Odyssey-2生成的视频画质和流畅度不如PixVerse R1，但可以点击画面元素触发推荐提示词，更有交互感。

Marble

https://marble.worldlabs.ai/

Marble是由李飞飞创业公司World Labs于2025年11月推出的多模态世界模型与3D世界生成平台。

Marble的核心能力在于它可以根据一句文字描述、一张图片、一段视频，甚至是粗略的3D布局，生成3D世界。生成后的3D世界可以进行交互式编辑、扩展，并导出为高斯泼溅、三角网格、视频等多种格式，可无缝导入主流游戏引擎如Unreal、Unity、Blender等。

李飞飞团队认为，真正的智能必须具备空间感，其创立的World Labs就致力于构建具有空间智能的大型世界模型。

传统3D内容创作通常需要庞大的建模团队和复杂工具，而Marble能在几分钟内根据简单描述生成完整的环境，大幅降低创作门槛。同时，它也为机器人学、建筑可视化、互动娱乐等需要精细空间理解的领域提供了新的工具。

Oasis

https://oasis.decart.ai/introduction

Oasis是由Decart AI于2024年10月推出的实时交互式AI世界模型/游戏生成系统。它标榜自己为世界上第一个能够实时生成并让用户互动的开放世界AI模型。

区别于传统的游戏引擎，Oasis能够根据玩家的输入，利用大规模预训练得到的模式理解和概率预测，在没有底层游戏逻辑和代码的情况下实时生成整个游戏世界。可以理解为Oasis是一个完全由AI生成的、可玩的Minecraft克隆版。

目前，Oasis在世界持续性、高精度交互细节、分辨率与画面稳定性等方面仍有限制。

NVIDIA Cosmos

https://www.nvidia.com/en-us/ai/cosmos/

NVIDIA Cosmos是英伟达于2025年1月推出的面向“物理AI”开发的世界基础模型平台，专注于让机器人、自动驾驶汽车等具备理解现实世界、预测物理状态、生成合成训练数据的能力。

在实际应用层面，Cosmos能显著改进以下方面：用自动生成的数据训练机器人和自动驾驶系统，减少对真实采集数据的依赖；模拟复杂环境（如城市交通等）用于AI认知和策略学习；与NVIDIA的Omniverse等仿真平台协同，为物理AI系统提供更逼真的环境和更高效的开发流程。

写在最后

那么，世界模型究竟会如何重塑行业呢？

在多个潜在应用方向中，游戏和互动娱乐行业可能是最先被世界模型改变的领域之一。

过去，游戏世界是由策划和美术提前设计完成，玩家只能在有限规则、关卡内探索。而世界模型引入了一种新的范式，玩家不再只是沿着游戏设计者预设的规则行动，而是能够实时生成游戏世界，并进行探索和交互，这种变化将重塑游戏的开发流程。未来的游戏可能是由一个训练好的大模型实时生成，这将带来无限的开放世界和动态剧情。

影视与内容创作行业同样会受到深远影响。

想象一下，以互动影视为代表的互动叙事作品中，观众不再只是被动观看，而是可以在观看过程中持续影响剧情走向。这种以参与和反馈为核心的创作形态，也天然适配剧情向内容账号、互动直播栏目等，需要用户介入和实时反应驱动的内容形态。

而且随着可导航、可编辑的虚拟世界逐渐成熟，创作者可以在一个完整的虚拟环境中“取景”和“拍摄”，场景、光照和镜头调度都可以在这个空间中完成。这种转变尤其适用于虚拟拍摄、视效制作和动画工业。

相比创意产业，在机器人和自动驾驶等领域，世界模型的意义更加偏向工程和基础设施层面。这类行业高度依赖大量真实世界数据，但真实数据的采集成本高、周期长，而且在许多极端或危险场景中几乎不可行。世界模型通过构建具有物理一致性的模拟环境，为智能系统提供了一个可以反复试错和训练的“替代现实”。在这样的环境中，模型不仅可以学习感知，还可以学习决策和长期规划。

可以确定的是，我们正站在一个清晰的临界点上，当AI逐渐成为构建和模拟真实世界的引擎，不仅将重塑影视、游戏、具身智能等行业的内容形态和交互体验，也被普遍视为通向通用人工智能过程中不可或缺的一步。

但世界模型的真正价值，仍有赖于各行各业的开发者和创作者在此基础上，进行持续探索、应用落地和再创造。

发布于：上海市

• 实测
• R1
• 开云app下载
• 吹爆
• PixVerse