开源 FPS 世界模型 SCOPE：支持 10 自由度手柄实时操控

用 AI 生成一段枪战游戏视频已经不新鲜了，但过去你只能当个看客：画面里的主角往哪走、什么时候开枪，全凭扩散模型自由发挥。

现在，研究团队开源了一个叫 SCOPE 的交互式 FPS 世界模型。简单来说，你终于能拿着手柄，在 AI 现算出来的第一人称射击游戏里自己跑动和开火了。

整个项目基于 Wan2.2 的 50 亿参数图生视频模型（Wan2.2-TI2V-5B）改造而来。团队把模型权重、推理代码以及训练用的 CrossFPS 数据集全套开源在了 GitHub 和 Hugging Face 上。

准星里开枪，准星外看路

让 AI 实时听懂手柄指令，最大的难点在于 FPS 操作实在太复杂。玩家往往一边推摇杆走位，一边转视角瞄准，手上还在连按开火或换弹。

以往的世界模型把这些按键当成全局信号扔给画面，结果就是一开火整张屏幕跟着晃，背景瞬间变形。SCOPE 的解法很聪明：它在 Wan2.2 的 30 个 DiT 模块里分别插入了动作模块，做了一套「空间解耦」。

具体来说，手柄的双摇杆 4 轴连续移动和视线转向，走平滑的注意力机制去驱动整体画面的位移；而开火、换弹、跳跃等 6 个离散按键，则通过交叉注意力严格限制在武器和准星所在的局部区域。哪怕完全不用分割标签做标注，枪口剧烈后坐也不会带崩远处的走廊或建筑。

模型目前能输出 480×832 分辨率、20 FPS 的画面，单次生成 81 帧（约 4 秒）。如果显卡显存够大，也可以把帧数拉长到 161 帧。

喂了 7 款游戏，换到新游戏也能玩

为了教会模型什么是 FPS 规律，团队构建了 CrossFPS 数据集，包含 7 款不同射击游戏的 6.9 万个视频片段，每一帧都严格对齐了 10 自由度的操作数据。

在测试中，面对复杂的复合操作，SCOPE 展现出了断层级的优势。比如「一边移动一边开火」，以往的矩阵游戏类模型响应率往往只有个位数，SCOPE 做到了 76%；「开镜同时射击」的响应率达到 82%，复合操作平均成功率超过 71%。

更值得一提的是它的零样本泛化能力。只给它一张《黑神话：悟空》《原神》或《双人成行》的静态游戏截图，输入手柄移动和射击指令，它就能凭空推演出符合对应视角的 FPS 操作画面，不需要针对这些游戏单独微调。

为什么重要

在各种世界模型还在比拼谁生成的短片画质更细腻时，SCOPE 往前迈了一大步：它把世界模型从「自动播片」推向了「可交互原型」。

对独立游戏开发者和策划来说，它提供了一种极低成本的验证手段。在传统工作流里，搭建一个能跑、能看、能开火的关卡原型，需要美术建模、绑骨骼、配控制器脚本。现在你只需要丢一张概念图，接上手柄，几秒钟就能体验第一人称视角的实际观感，甚至用来测试关卡动线。

对技术本身而言，SCOPE 证明了在开源大模型底座上做局部动作控制是可行的。它没有推倒重来搞一套全新的大架构，而是靠巧妙的空间解耦和零初始化残差，冻结主模型权重来训练外挂模块，这种工程思路非常务实。

不过就目前来看，它离真正代替游戏引擎还有距离。单次生成几秒、480P 的分辨率以及必须依赖高端算力的门槛，注定它现在还是个前沿原型工具，延迟也达不到真电竞游戏的毫秒级响应。但我们认为，它给未来原生 AI 驱动的互动娱乐趟出了一条极具参考价值的路。