Viggle 推出世界模型 JST-2：輸入文字或圖片秒變 3D 空間，角色免綁骨骼就能動

很多人還記得幾年前全網瘋傳的各種 AI 換臉惡搞影片，把馬斯克或好萊塢明星換到各種搞笑舞蹈裡。打造那個爆款梗圖應用的團隊 Viggle，這次拿出了一個完全不是玩具的東西。

Viggle 正式推出了底層架構打磨四年的世界基座模型 JST-2。它不再只是在二維畫素裡畫畫，而是能把文字提示詞或幾張圖片，直接變成一個三維可探索的完整世界。

生成一個 3D 場景只需要大約 1 秒鐘，單次推理成本不到 0.01 美元。更重要的是，場景裡的角色生成出來就能直接做動作，徹底省去了傳統 3D 流程裡最折磨人的骨骼繫結環節。

把世界拆成原子，而不是畫素

目前很多所謂的世界模型，本質上還是在畫素空間裡做預測。它們看著很逼真，但一旦鏡頭轉個角度再轉回來，原本的東西經常莫名其妙變形或者消失了，因為模型根本不知道三維空間裡究竟有什麼。

JST 是 Joint Space-and-Time 的縮寫。Viggle 的做法是從物理原生架構起步，把世界建模成三維空間裡持續存在的微小物質單元，也就是所謂的物理原生標記。

每個單元都有明確的 xyz 空間座標，以及記錄屬性和運動規律的向量。說白了，它在底層建立的是一個真正的三維物體座標系。

無論你的鏡頭怎麼走動、轉身甚至離開再返回，場景裡的物體都在原本的位置上，不會憑空消失。生成的場景會解碼成 3D 高斯潑濺技術，直接放在瀏覽器裡實時渲染，不用反覆呼叫雲端算力。

模型還支援多達 64 個視角的空間上下文視窗。你可以像拼圖一樣，走一步擴建一步，把一個小角落慢慢延展成連貫的大地圖。

免綁骨骼就能動，細節壓制老對手

傳統 3D 建模最麻煩的往往不是捏模型，而是給角色綁骨骼、刷權重。如果繫結沒做好，動作稍微大一點就會出現穿模、折角和拉伸。

JST-2 聰明的地方在於，它在生成 3D 角色時就已經把動力學特性寫進了物質單元裡。模型從大量資料中學會了各個部位在運動時應該如何形變，哪怕只給一張被遮擋的人像照片，它也能補全形色，並且拿來就能動。

在與 Meshy 7.1 和 Tripo H3.1 的盲測對比中，JST-2 在角色生成上平均勝率更高。特別是在面部細節、手部關節靈活性以及運動時衣服和肢體的形變過渡上，評價都明顯佔優。

除了自己生成的角色，它生成的全身體態動作還能直接匯出給標準的 3D 角色骨骼使用，不僅能做動畫，還能直接用來搭建機器人空間導航與抓取訓練的模擬環境。

目前 JST-2 並沒有開源權重，但官方已經在網頁端開放了免費體驗通道，普通使用者開啟瀏覽器就能上手捏場景。

為什麼重要

我們認為，JST-2 最關鍵的突破在於證明了「物理原生」路線不僅跑得通，而且在推理成本上具備極大的商業可行性。

過去一兩年，行業都在卷影片生成，試圖用擴散模型去「硬猜」世界物理規律。結果往往是算力消耗巨大，生成的畫面依然經不起三維視角的推敲。JST-2 用不到一分錢、一秒鐘的 feed-forward 架構，直接把 3D 幾何結構、材質和動力學打包輸出，這對 3D 資產生產管線是一次降維打擊。

對獨立遊戲開發者、動畫製作團隊和 3D 設計師來說，它把原本按天甚至按周計算的原型搭建時間壓縮到了幾秒。省去骨骼繫結這一步，意味著普通人做短片和互動小遊戲的門檻被砍掉了大半。

當然，它目前也有肉眼可見的短板。比如在更復雜的長髮擺動、極度寬鬆的衣物布料解算上，依然能看出不夠細膩的痕跡。而且未開源也意味著工業級管線暫時很難把它深度整合到本地自動化流程裡。

但這已經給所有做 3D 生成和具身智慧的團隊提了個醒：與其在畫素層面縫縫補補，不如老老實實把物理規律和空間座標放進模型底層。這步棋，Viggle 走得非常漂亮。