8张GB200干的事，被一张5090接了：国产游戏世界模型开源

不er，印象里特别吃算力的「游戏世界模型」，居然被塞进一张RTX 5090里了？

昆仑万维旗下Skywork AI发布Matrix-Game 4.0，据称是「全球首款可在单张消费级显卡上实时运行的游戏世界模型」。先别急着激动，我把关键数字摆出来，你自己感受一下。

• 硬件：一张RTX 5090
• 按键到画面响应：不到0.15秒（约112ms）
• 运行帧率：60 FPS
• 显存峰值占用：约18.5GiB
• 画质：480p

对比一下同一时间英伟达研究团队发布的StreamRender-H3，同样走「代码运行世界、视频模型生成画面」的路线，官方展示的部署配置是8张GB200 GPU，端到端延迟估算约545ms。当然，两者的分辨率和延迟统计口径并不完全一致，不能直接排座次。但单张消费级显卡能跑到这个速度，确实够有冲击力。

以前常见的游戏世界模型Demo，是玩家按一下方向键，模型接着往前生成画面。世界能逛，场景会动，但底下究竟有没有一套真正运行的游戏，不太好说。Matrix-Game 4.0不太一样：玩家中弹，先掉的是盾牌耐久；盾碎了，才开始扣血；等血量归零，游戏真就结束了。原来不只是画面在动，背后的游戏逻辑也跟着跑起来了。

团队给出的核心判断是：与其让视频模型隐式记忆世界，不如让游戏引擎显式维护世界。以谷歌Genie为代表的路线，率先让玩家走进AI实时生成的世界，走到哪里，模型就把画面生成到哪里。但世界能逛，不等于游戏能玩。画面偶尔多一棵树、少一扇窗，顶多让人出戏；可要是NPC的位置、玩家的血量、任务的输赢也由模型临场发挥，那就麻烦了。比画面穿帮更麻烦的，其实是规则脱缰。

所以到了4.0，团队干脆把活儿拆开：游戏引擎负责把游戏跑对，视频模型负责把画面画好。世界状态不再藏在模型生成的像素里，而改由代码明确记录。即使视觉生成偶尔出现偏差，也不会直接改写玩家血量、道具归属和任务进度。团队把这套思路概括为「给视频模型套上Harness」：

1. 玩家先用自然语言说出想法，Coding Agent负责把它写成游戏代码；
2. 游戏引擎当「裁判」，维护世界状态、执行游戏规则，并画出一份不会乱的结构草图；
3. 视频模型当「画师」，照着草图实时生成最终画面。

说白了就是，该确定的交给代码，该发挥的交给AI。最开始，引擎输出的还是一片由方块、骨架和简单地形组成的结构画面，看着多少有点「毛坯房」的意思。但人物在哪、道具在哪、谁在移动，已经交代得明明白白。等视频模型接手，城堡、草地、材质和光影被实时补齐，刚才还是3D草模，转眼就成了完整的游戏画面。

规则还能继续改。想提高武器射速，直接用自然语言告诉Coding Agent，底层代码一改，武器的实际攻击逻辑也跟着变化。一个对战场景，刚好把整套方法跑了一遍：Coding Agent负责改，引擎负责算，视频模型负责画。

但要让规则和画面在一张RTX 5090上同时跑，光是重新分工还不够，还得从工程角度给整条链路减负。

第一减：减少模型需要自己猜的东西。把生成任务变简单——「凭空作画」哪有「照着草图搞精装」来得省力。团队用UE5制作了一批成对数据：一边是结构画面，一边是对应的精细画面。前者不管材质、光影，只保留场景结构、物体位置和运动轨迹。同一个方块，到底是盾牌、NPC还是路障，模型看不出来，于是系统还会读取引擎提供的可见对象和实时状态，动态拼出Caption，告诉模型画面里有什么、正在发生什么。结构画面负责交代「在哪」，动态Caption负责说明「是什么、在干什么」。

第二减：减少模型需要自己记的东西。视频越长，历史画面就越多，每次生成都让模型从头翻记录，不仅费劲，前面画歪的一点还可能被一路带下去。Matrix-Game 4.0基于Wan2.2 5B Fun Control改造出了V2V模型，每次生成除了参考当前的结构画面，还会调用空间记忆参考图、用于衔接的首帧，以及缓存中的近期历史信息。

第三减：减少模型需要计算的东西。团队通过少步自回归蒸馏，把扩散生成过程压缩到只改1步或2步，而且一次只生成四帧。CUDA Graph、FP8融合算子、KV环形缓存和轻量编解码器也全上了。最终，文本编码器、DiT和VAE全部常驻一张RTX 5090。单步去噪时，视频模型的稳态生成速度达到83 FPS，两步去噪时约57 FPS。

这张卡也不是突然就扛住了一切。从Matrix-Game 1.0开始，团队一直在给游戏世界模型补课：1.0先让生成的世界听懂玩家操作，2.0解决实时，3.0补上长时记忆，3.5继续稳住空间和角色。到了4.0，团队开始直面另一道题：这个实时生成、还能记住的世界，什么时候才算一款游戏？

硬件门槛刚砍下来，昆仑万维转头又来了一记：开源。这个动作放在游戏世界模型里，分量比想象中更重。大多数玩家开放的是产品、API或者研究演示，真正把模型和代码交到开发者手里的，还是少数。而且这还不是今天突然想「开」了，这家公司从Matrix-Game 1.0开始就一直走开源路线。

回头看，这么早选择把技术摊开，一个很重要的原因是：世界模型赛道越来越热闹，技术路线却远远没有收敛。有人继续押注视频生成，有人主攻3D空间，还有人重新请回游戏引擎。看着都叫世界模型，底层解法其实已经越走越不一样。唯一逐渐清晰的是，光会生成视频已经不够看了，世界得能进去、能交互，最好还能长期运行起来。

当然，Matrix-Game 4.0现在还只是个开始。480p画质确实谈不上多精细，距离更稳定、更长时间、更多人同时玩的AI世界，也还有一段路。但路都还没定，答案当然也不能只让几家公司关起门来写。谷歌Genie之后，国产玩家这次给出的解法是：代码负责让世界守规矩，AI负责把世界画出来。一张RTX 5090就能跑，模型和代码也一起交了出来。至于后面还能被开发者玩成什么样，那就得看社区自己roll了。