Viggle 推出世界模型 JST-2：输入文字或图片秒变 3D 空间，角色免绑骨骼就能动

很多人还记得几年前全网疯传的各种 AI 换脸恶搞视频，把马斯克或好莱坞明星换到各种搞笑舞蹈里。打造那个爆款梗图应用的团队 Viggle，这次拿出了一个完全不是玩具的东西。

Viggle 正式推出了底层架构打磨四年的世界基座模型 JST-2。它不再只是在二维像素里画画，而是能把文字提示词或几张图片，直接变成一个三维可探索的完整世界。

生成一个 3D 场景只需要大约 1 秒钟，单次推理成本不到 0.01 美元。更重要的是，场景里的角色生成出来就能直接做动作，彻底省去了传统 3D 流程里最折磨人的骨骼绑定环节。

把世界拆成原子，而不是像素

目前很多所谓的世界模型，本质上还是在像素空间里做预测。它们看着很逼真，但一旦镜头转个角度再转回来，原本的东西经常莫名其妙变形或者消失了，因为模型根本不知道三维空间里究竟有什么。

JST 是 Joint Space-and-Time 的缩写。Viggle 的做法是从物理原生架构起步，把世界建模成三维空间里持续存在的微小物质单元，也就是所谓的物理原生标记。

每个单元都有明确的 xyz 空间坐标，以及记录属性和运动规律的向量。说白了，它在底层建立的是一个真正的三维物体坐标系。

无论你的镜头怎么走动、转身甚至离开再返回，场景里的物体都在原本的位置上，不会凭空消失。生成的场景会解码成 3D 高斯泼溅技术，直接放在浏览器里实时渲染，不用反复调用云端算力。

模型还支持多达 64 个视角的空间上下文窗口。你可以像拼图一样，走一步扩建一步，把一个小角落慢慢延展成连贯的大地图。

免绑骨骼就能动，细节压制老对手

传统 3D 建模最麻烦的往往不是捏模型，而是给角色绑骨骼、刷权重。如果绑定没做好，动作稍微大一点就会出现穿模、折角和拉伸。

JST-2 聪明的地方在于，它在生成 3D 角色时就已经把动力学特性写进了物质单元里。模型从大量数据中学会了各个部位在运动时应该如何形变，哪怕只给一张被遮挡的人像照片，它也能补全角色，并且拿来就能动。

在与 Meshy 7.1 和 Tripo H3.1 的盲测对比中，JST-2 在角色生成上平均胜率更高。特别是在面部细节、手部关节灵活性以及运动时衣服和肢体的形变过渡上，评价都明显占优。

除了自己生成的角色，它生成的全身体态动作还能直接导出给标准的 3D 角色骨骼使用，不仅能做动画，还能直接用来搭建机器人空间导航与抓取训练的仿真环境。

目前 JST-2 并没有开源权重，但官方已经在网页端开放了免费体验通道，普通用户打开浏览器就能上手捏场景。

为什么重要

我们认为，JST-2 最关键的突破在于证明了「物理原生」路线不仅跑得通，而且在推理成本上具备极大的商业可行性。

过去一两年，行业都在卷视频生成，试图用扩散模型去「硬猜」世界物理规律。结果往往是算力消耗巨大，生成的画面依然经不起三维视角的推敲。JST-2 用不到一分钱、一秒钟的 feed-forward 架构，直接把 3D 几何结构、材质和动力学打包输出，这对 3D 资产生产管线是一次降维打击。

对独立游戏开发者、动画制作团队和 3D 设计师来说，它把原本按天甚至按周计算的原型搭建时间压缩到了几秒。省去骨骼绑定这一步，意味着普通人做短片和互动小游戏的门槛被砍掉了大半。

当然，它目前也有肉眼可见的短板。比如在更复杂的长发摆动、极度宽松的衣物布料解算上，依然能看出不够细腻的痕迹。而且未开源也意味着工业级管线暂时很难把它深度集成到本地自动化流程里。

但这已经给所有做 3D 生成和具身智能的团队提了个醒：与其在像素层面缝缝补补，不如老老实实把物理规律和空间坐标放进模型底层。这步棋，Viggle 走得非常漂亮。