RTX 5090 上一张显卡跑出 24 帧 VAST 把实时世界模型开源了

游戏里让角色走两步、镜头转个身，本来不算什么复杂指令，难的是画面得实时跟上这些临时起意，每一帧都不能掉。这中间隔着的不是画质差距，是能不能跟得上操作这件事本身，玩家不会因为画面好看就容忍半秒的延迟。按离线视频模型的做派，先拿完整输入再整段生成，接不进实时交互，这是实时场景绕不过去的一道坎，玩法一旦需要玩家临时决策，生成速度就跟不上的话，画面再准也没意义。

VAST 开源的实时世界模型换了个分工方式，参考画面负责结构、运动和镜头走向，生成模型负责把这些内容重新渲染成看起来是什么样。白模、二维或三维场景、真实录像都能当参考，游戏、动画预览这些可交互内容的规则和状态仍由上游交互系统维护。三类输入各管一段，参考视频决定场景布局、镜头运动、物体轨迹和事件发生的时间，目标首帧确定主体、材质、配色和画风，文本提示词补充风格和细节。

按这个结构，玩家的操作先由交互系统更新状态，再转成灰盒画面和场景描述喂给渲染器，模型实时出画面。走开再绕回来，参考里的结构还在原处，模型按同一结构继续渲染，不用从过去的画面里重新推测。这一步在预览场景里尤其省事，镜头离开一处再转回来不用重新推断结构，做长镜头的人对这份稳定感很敏感，一个镜头里结构漂移一次，后面所有基于它的设计都得重来，省下来的返工时间往往比渲染速度更值钱。

性能上，五 B 参数版本在单张消费级显卡上能超过每秒二十四帧生成 720P 画面，支持分钟级连续生成。这个数字愿意写进开源说明里，说明团队把口径交出来了让人自己验，能跑是一回事，能在单张消费级显卡上稳定跑是另一回事。它的价值在于把预览推到了可玩，这一步跨过去，项目才谈得上往下走，而不是只能停在效果图阶段，以前做一次交互演示要排队等渲染，现在可以边改边看，方案能不能走通当场就有答案。

用途不止游戏。场景和动画预览里，参考可以是白模、粗动画，或者精细模型渲染出的法线图视频，参考不变只换首帧和提示词，就能在同一个场景同一段动画上比较不同材质、光照和配色。这对做动画和做场景预览的人是同一种便利，素材不变，改的只是首帧和提示词，比较成本一下压到很低，以前为了看不同配色要重跑一遍的场景，现在几分钟就能出结果，评审会上当场换三套方案给客户挑也不再是奢侈的事。

真人素材也能改写，第一人称的手部操作视频可以改成机械臂视角。人戴头戴相机擦桌子开抽屉倒水，一天能拍很多段，但真人录像里是人的手臂和五指，机器人部署时看到的是机械臂和夹爪，外形、运动范围、遮挡方式都不同。模型如果主要拿真人视频训练，换到机器人摄像头上会出明显的分布偏差，把执行者换成机械手，保留动作、物品与桌面的相对位置、镜头移动，输出的数据画面就更接近机器人实际会看到的。

配套还开源了一个给编程智能体用的技能，输入一段玩法描述，智能体分四个阶段完成玩法设计、场景搭建、交互逻辑实现和界面完善，生成能独立运行的灰盒游戏，目前支持解谜、射击、驾驶、冒险、竞技场、格斗等类型，对独立游戏团队来说，原型验证的门槛一下子降到了写一段文字描述就能玩起来的程度。这次开源包含五 B 和十四 B 两档模型权重，各含双向生成与少步流式生成两个版本，还有实时流式推理代码和前端工作台。

这套架构的底子是五月发布的 Project Eden，把世界模型分成三层，持续演化的世界状态、状态到画面的接口、生成式渲染器。视频模型擅长生成看起来合理的画面，却独自维持不了血量、碰撞、物体身份和胜负条件这些规则，所以确定性的状态留给上游交互系统，视觉呈现交给生成模型。这套分工解决了视频模型不擅长长期保存规则的问题，不过还在等更长时间的检验，世界模型不缺演示，缺的是用法。

创业找资源，上乌鸦部落。