世界模型不能只看 Demo，VAST 想让它干点「真活儿」

一张 5090，实时生成一个世界。

作者｜郑玄

1976 年马丁·斯科塞斯拍《出租车司机》时，曾亲手为影片的高潮段落画分镜。美国导演工会刊登的采访中，保留了这些画稿。一部后来成为经典的电影，最初也要靠纸上的人物、构图和镜头安排，让剧组理解导演脑中的那场戏。

对导演、设计师这样需要团队协作的创作者，这个需求一直存在：脑中已经有了画面，怎样让其他人也看见？

现在有了新的办法：先用模型搭出简单场景，让人物走起来、镜头动起来，再给出一张目标首帧和一句提示词，让 AI 沿着既定的布局与运动，实时生成具有具体风格和丰富细节的画面。创作者修改走位或运镜，生成画面也随之更新。

EdenLive 管线

这是 VAST 新发布并开源的 EdenLive 展示的能力。按照官方定义，它是 VAST 的世界模型项目 Project Eden 系列的「实时生成式渲染器」。

给导演生成动画预演只是其中一个应用方向。游戏开发者也可以用它给已经能玩的简陋原型加上更完整的画面：玩家操控角色移动，AI 就跟着生成相应的场景。给它一段拍好的视频，它还可以保留原来的动作和镜头，把画面变成卡通、油画等任意风格。

这些用途背后，是同一个想法：创作者先确定场景里有什么、人物怎么动，再让世界模型维护状态和规则，并且呈现相应的画面。EdenLive 正在尝试把这项能力带进动画、游戏和视频制作等实际工作中。

世界模型要走向实际应用，需要找到创作者愿意使用的能力，以及这些能力进入现有工作流的方式。模型能生成什么，与用户愿意拿它完成什么工作，之间还有一段需要摸索的距离。

作为 Project Eden 的阶段性成果，EdenLive 开始把 VAST 对世界模型的技术判断，转化为可以被使用和检验的产品能力。从动画预览、游戏创作到视频重渲染，这些具体场景构成了它探索应用落地的起点。

私有化部署外，EdenLive 也已上线模型开放平台 Reactor，可直接试用。3D 资产编辑平台 Unbound Loop 已把 EdenLive 接入产品。

某种程度上，这是 VAST 世界模型的一次 G2M（Go-to-Market）尝试：让技术进入真实工作流程，再从创作者的使用中，寻找值得持续投入的需求。

01

让想法变成可实时交互的画面

假设拍一段搜索废弃医院的恐怖戏：主角推门进入病房，床帘后藏着一个人影。摄像机跟在主角肩后，还是留在门口，更有压迫感？窗帘拉开多少，才能让观众先发现危险，主角却浑然不觉？

创作者只需要用简单模型搭出病房、病床和床帘，安排人物走位与镜头运动，再把这段作为「剧本」的参考视频交给 EdenLive，配上一张与开场布局对齐的目标首帧，用提示词补充材质、光线和画风。模型就会沿着原来的动作与运镜，生成更具体的视觉画面。当创作者追加新的描述，画面就能随之变化。

人影藏得太深，就调整上游场景中的位置；跟拍太快，就放慢镜头，再看生成结果。EdenLive 也可以保持场景和运动轨迹的一致性，更换首帧与提示词，比较不同主体、色调和材质下的氛围——它能帮助团队更早看见调整后的效果。

EdenLive 甚至可以直接参与一个游戏里实时画面的生成。

与 EdenLive 同步，VAST 开源了一款给编程智能体使用的 skill，EdenGolem（v0.1）。只需文字输入一段玩法，智能体便会分「明确规则和主题-搭建角色和场景-接入运行逻辑-补全界面和验收流程」四个阶段，生成一个可以直接上手玩的 3D 灰盒游戏。

根据灰盒游戏画面、事件描述、目标首帧和提示词，EdenLive 就能生成接下来的画面，不需要为特定游戏单独设计接口。

格斗游戏 Demo

比如上面这个有点像小霸王时代格斗游戏的 Demo，玩家按下移动键和技能键，画面的人物就能随之移动交互，命中可以扣掉敌人的血量，或者释放技能改变游戏的地形。而与普通游戏不同的是，玩家看到的动作与场景，不是来自预先搭建好的游戏场景和引擎驱动，是模型在游戏运行时不断生成出来的。

开发者因此可以先用代码智能体和 EdenGolem 搭出玩法和基本场景，再让 EdenLive 承担实时画面生成。这既能用于原型预览，甚至随着模型的技术的持续迭代，未来或许可以尝试一种新的游戏制作方式：不必预先完成全套精细美术资产，就让简单的可玩内容拥有更高质量的视觉效果。

还有用在视频重渲染，EdenLive 可以按首帧和提示词，把画面改成卡通、像素或油画风格，无须先重建三维场景。摄像头的实时画面也能作为输入；以及用在具身领域：把第一人称操作视频中的人手换成机械臂，或改变被操作物体的颜色与材质，扩展出不同的视觉版本。

EdenLive 展示了一种降低数字内容制作门槛的可能：过去，为了让一个游戏、一段动画拥有完整的视觉效果，需要投入大量精细建模、材质和灯光制作；现在，一部分工作有机会交给生成模型，在简单场景的基础上实时完成。

据 VAST 公布的信息，EdenLive 5B 模型能在单张NVIDIA RTX 5090上以超过 24 FPS 的速度生成 720P 画面，并支持分钟级连续生成。这意味着创作者因此可以观察一段连续的动作、运镜或游戏操作，而不只是几张效果图。

如果这条路径能够持续成熟，许多需要把虚拟场景「做出来、跑起来」的需求，都可能以更低成本实现。而单张 GPU 就能实时生成画面，也意味着这类尝试有机会进入更多小团队和个人创作者的工作台。它的价值不仅是把已有内容做得更快，还可能让一些过去不值得投入、或根本负担不起的创意，有机会被做出来。

02

让交互系统维护世界，

让模型呈现世界

当画面开始跟随操作生成，问题也随之出现：AI 怎么知道哪些东西可以改变，哪些必须保持不变？

潜水艇寻宝 Demo

比如潜水艇寻宝 Demo 里。潜水艇需要抵达指定位置、抓起宝箱，任务算完成。还有格斗游戏 Demo 中，一次踢腿命中，对手的血量掉了十几点。

这些结果必须由规则决定。潜水艇只是经过宝箱，不能算完成任务；一次攻击扣多少血，也不能交给模型临时发挥。

这正是「动作条件视频模型」面对的难题。这类方案根据键鼠操作或镜头轨迹，以及最近的画面，预测后续画面。当状态只隐含在上下文和已生成画面中，物体离开视野后的情况、血量和得分等数值，就很难像程序变量一样被直接查看、修改和验证。

EdenLive 延续的是 Project Eden 采取的路线：「解耦状态与渲染」。

它把系统分成三层：持续演化的世界状态、状态到画面的接口、生成式渲染器。EdenLive 实现其中的第二层和第三层，第一层则可以交给游戏程序、游戏引擎或动画工具。

以潜水艇为例，玩家按下按键后，游戏程序先计算移动与碰撞，判断有没有拿到宝箱，再输出参考画面。EdenLive 根据参考、目标首帧和提示词生成视觉效果；关键事件发生时，上游还可以追加事件描述。

于是，宝箱的位置、任务是否完成，都有独立记录。模型不必从之前的视频里重新猜测世界状态，可以把更多实时算力用在画面生成上。

配套工具也各有职责。EdenGolem v0.1 是给编程智能体使用的 Agent Skill，根据玩法描述生成可独立运行的灰盒游戏；前端工作台串起游戏生成、试玩与实时渲染。已有游戏或动画工具同样可以提供参考，无须从头生成。

要让这套流程有效，还需要分清参考中的结构与外观。灰盒没有丰富纹理，实拍视频却自带材质和光照，模型既不能把结果画成灰盒，也不能照搬原视频的质感。

EdenLive 使用专门微调的视觉编码器，把不同参考映射到同一个特征空间，保留共有的布局和运动信息。也就是让「物体在哪里、怎样移动」跟随参考，让「看起来是什么样」由目标首帧与提示词指定。

实时模式则采用逐块流式生成，根据已经到达的参考帧和保留的历史画面持续输出。上游模拟、参考编码与生成按流水线并行，使画面能够参与连续交互。

这条路线的价值，是把确定的规则留给上游交互系统，把视觉表达交给生成模型。3D 做状态表征与资产，视频做精细画面，两者互补，也让世界模型进入创作流程有了更明确的分工。

03

世界模型需要走出 Demo

看完 EdenLive 的演示，一个更值得追问的问题是：创作者会在什么情况下，真正打开它？

可能是导演想在开拍前，比较同一场戏的几种视觉风格；可能是独立开发者想在游戏里嵌入一个小玩法时，想找一个更高效的开发方式；也可能是视频创作者，希望保留拍好的动作与运镜，尝试另一种表达。

这些需求没有「生成一个世界」听起来那么宏大，却是世界模型走向实际应用必须回答的问题。技术最终要进入某个人的工作，帮助他完成一件具体的事。

EdenLive 的意义，也正在这里。作为 Project Eden 的阶段性成果，它让创作者有机会判断：它能不能帮自己更快确定一个方案，少做一些重复工作，或者尝试过去因为制作成本太高而放弃的想法。

找到这样的场景，对世界模型的发展本身同样重要。

Demo 是展示一项技术最有说服力的片段，真实创作却会不断提出新的要求。导演可能反复调整同一个镜头，游戏开发者可能要求环境和对象的变化符合一定的游戏底层逻辑。哪些细节可以交给模型自由发挥，哪些必须严格遵循参考，只有进入这些工作之后，才会变成具体的问题。

这样的反馈，会让模型的下一轮迭代更有方向。团队可以知道，当前最影响使用的是响应速度、角色外观变化，还是修改结果不够可控；也能判断，哪些能力看起来新鲜，却没有真正节省创作者的时间。落地因此不只是技术成熟之后的结果，也是推动技术继续成熟的过程。

从这个意义上说，EdenLive 是 VAST 为世界模型寻找落地方向的一步。此次开放模型权重、推理代码，以及 EdenGolem 和前端工作台，让开发者可以接入自己的内容、尝试自己的玩法。世界模型的价值，也开始有机会由真实使用来检验。

VAST 此前在 AI 3D 上的积累，为这一步提供了基础。三维资产和场景可以交代物体的位置、结构与运动，视频生成则负责呈现更丰富的视觉效果。把两者接起来，需要同时理解 3D、视频生成和实时运行中的工程问题。VAST 积累的多种参考与目标数据，以及跨越这些方向的团队，是它继续推进 EdenLive 的条件。

面向全球顶尖青年技术人才的 V·STAR 计划，也是在为这项长期探索补充力量。让更多研究者与工程师参与，解决真实使用暴露的问题，才能让今天的演示逐步成为创作者愿意反复使用的工具。

Project Eden 的定位是「下一代交互式内容创作的底层引擎」，VAST 的愿景是「让人人都能自由创造可交互世界」。要走向这个目标，需要先让具体的创作者用起来。对 EdenLive 来说，下一次值得关注的进展，或许就是越来越多的开发者、创作者用它完成了一项工作，并在下一个项目里继续选择它。

*头图来源：VAST

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

低门槛做可交互场景，

会催生更多小众独立玩法吗？