Runway 釋出 GWM Worlds 2：720p 即時生成互動世界，按鍵即可操控

過去做 AI 影片，你輸入一段提示詞，等上幾十秒甚至幾分鐘，然後拿到一段四秒或八秒的固定短片。不管畫面多逼真，你都只能當觀眾。

現在 Runway 想打破這堵牆。9 月 3 日，Runway 釋出了即時世界模型 GWM Worlds 2。它直接把影片生成做成了一個可以邊走邊玩的互動模擬器，以 720p 解析度、每秒 24 幀連續生成影片，同時輸出 48000 Hz 的匹配音訊。

最關鍵的是，它沒有固定時長限制。只要你不停手，這個世界就能一直生成下去。

像打遊戲一樣控制世界

GWM Worlds 2 的前身是去年 12 月推出的 GWM Worlds。新版本能在保持空間一致性的同時做到即時互動，核心靠的是一套名為 WorldPrompt 的輸入機制。

Runway 把世界拆成兩個部分：不變的和隨時間變化的。首先給模型一張首幀影像和一段「創世提示詞」，定下場景佈局、光影材質、環境音以及重力或碰撞等物理法則。接著，模型接收即時的動作事件流和鏡頭移動引數。

在演示裡，互動體驗幾乎和玩遊戲一樣。你可以切換第一人稱或第三人稱視角，讓角色走路、奔跑、騎車或者攀爬。鏡頭和角色的移動互相獨立，互不干擾。

為了解決即時打字太慢的問題，Runway 在 Demo 中把常規動作繫結到了鍵盤按鍵上。比如按 W 鍵就是「角色向前走」，滑鼠左鍵則是「扔出一個球」。角色還能與場景深入互動，比如開啟一盞檯燈並改變顏色，甚至可以讓劇場舞臺瞬間燃起大火。此外，NPC 之間或 NPC 與玩家之間的對話也能即時生成，包括語音、語氣、語種以及嚴絲合縫的唇形對齊。

模型還支援多玩家接入。通過 LiveKit 即時分發音影片流，不同使用者可以認領不同角色，或者一個人當主角、另一個人充當控制場景環境的「導演」。

告別固定片段，自迴歸生成無限延伸

技術架構上，GWM Worlds 2 是一個自迴歸擴散音影片模型。此前微調後的雙向模型生成速度太慢，Runway 通過後訓練將其轉變為即時的自迴歸架構。

在生成每一幀時，模型會同時結合三類資訊：首幀與創世提示構成的全域性上下文、當前幀的鏡頭與文本指令，以及快取在滑動窗口裡的歷史畫面。舊的幀會被滑動視窗自動淘汰，而因果解碼器通過快取加速運算，從而維持住 24 幀的即時生成速率。

除了從一張圖片啟動，它還能直接吃進一段已有的幾秒影片作為字首，接著之前的畫面繼續互動，環境和音效完全無縫順暢。

不過，Runway 也坦言這目前仍是研究預覽版。為了跑出 24 幀的即時速度，畫質做出了明顯妥協。如果鏡頭轉動過快，場景的幾何結構和紋理細節就會出現明顯的崩壞與降級。此外，長程記憶力仍不完美，模型暫時也不支援首幀之外的影像參考。目前普通使用者還無法直接隨意試玩，需要填寫表單申請聯絡。

為什麼重要

從生成一段死板的短影片，到生成一個能隨時受控的動態世界，這是生成式 AI 在邏輯上的質變。

對創作者和遊戲開發者來說，這意味著「生成內容」和「引擎渲染」的邊界開始模糊。雖然目前的 720p 畫面在劇烈移動時容易出現偽影，還無法替代傳統的 3D 遊戲引擎，但它讓低成本構想虛擬環境、快速原型設計以及互動短劇有了全新的可能。尤其在具身智慧和機器人領域，這種能夠自主遵循物理規則、響應指令的環境，會是絕佳的低成本模擬訓練場。

我們認為，Runway 這一步走得相當務實。他們沒有在離線超高畫質的死衚衕裡內捲，而是敏銳地轉向了「低延遲與可互動性」。用按鍵繫結文本動作的做法雖然有點投機，但確實跨過了人類打字速度慢和視覺大模型響應延遲的門檻。

隨著這類即時世界模型繼續演進，未來的互動娛樂很可能不再依賴龐大的手工 3D 資產建模，而是靠著即時的生成與推演鋪展在玩家眼前。