X-Gen Labs 推出世界模拟系统：用「道」推进演化，用「镜」生成第一视角

现在大家聊起「世界模型」，多数时候看到的其实只是个高级视频生成器。画面再逼真，镜头只要转过去再转回来，刚才的路人或花草可能就换了样。原因很简单，后台根本没有一个真正持续存在的世界。

X-Gen Labs 拿出了一个思路完全不同的生成式世界模拟项目，把它拆成了两半：DAO（道）和 JING（镜）。

一个管后台规律，一个当前端摄像机

说白了，DAO 就像底层的游戏引擎，而 JING 则是跟着你眼睛跑的摄像机。

DAO 负责维护整个环境的共享状态和运转规则。就算你离开某个房间，或者关掉画面，世界里的 NPC 和各种动态元素依然在后台按照规则自主活动。当你重新回到那个地方，一切依然保持连续。

而 JING 则是第一人称的交互体验模型。它拿到 DAO 同步过来的局部状态，根据你的动作和视线历史，实时生成你该看到和听到的画面。

这种架构最大的突破是支持多人同屏。根据演示，三个不同视角的角色处在同一个空间里，彼此的动作和周围物体的变化完全同步，不再是各做各的梦。

和之前的 VO3 或 Genie 3 相比，它是目前唯一一个内置完整世界状态管理系统的模型。只要算力允许，它理论上可以无时间上限地持续生成，而不是跑个几十秒就断掉。

搬到本地要 67GB，但细节还会「漂移」

目前该项目还只是一个研究预览版本，但团队已经在 GitHub 上公开了 Jing 模型的代码和本地运行教程。

想在本地跑起来门槛不低。Jing 的画面生成基于微调后的 MiniMax H3 视频模型，模型体积达到了 67GB。普通个人设备基本跑不动，不少开发者都在等后续的量化版本。

官方也坦白了不少硬伤。首先是延迟和保真度，目前离真正的低延迟、高流畅还有距离。

如果镜头晃动太快或者视角切换剧烈，画面的操作精度会明显下滑。更麻烦的是长时间运行后，场景细节、空间方位以及上下文交互容易出现漂移。

为什么重要

我们认为，X-Gen Labs 这次最聪明的地方，是戳破了「仅靠预测下一帧就能造出世界」的幻觉。

过去无论是各类视生成模型还是早期的交互世界原型，本质都是单向渲染。它们善于模仿视觉表象，却记不住因果逻辑。把「状态与规则维护」丢给 DAO，把「感官渲染」交给 JING，这种解耦才是真正通向持久虚拟社会该有的工程结构。

对游戏和虚拟环境开发者来说，这指明了一条新路：未来的沙盒游戏可能不再依赖庞大的人工代码去写死逻辑，也不需要预先烘焙所有美术资产。只要有一个自洽的世界底座，加上能理解物理与视角的生成模型，无限生成的「头号玩家」式世界才有落地的可能。

不过，现在大家先别急着把它当成成熟的引擎来用。67GB 的巨量体积、高延迟以及长时间运行后的细节漂移，注定它现阶段更适合前沿研究者跑跑 demo。但比起只会在画布上画画的 AI，一个能在你闭上眼后还在自己运转的世界，显然有意思得多。