開源 FPS 世界模型 SCOPE：支援 10 自由度手柄即時操控

用 AI 生成一段槍戰遊戲影片已經不新鮮了，但過去你只能當個看客：畫面裡的主角往哪走、什麼時候開槍，全憑擴散模型自由發揮。

現在，研究團隊開源了一個叫 SCOPE 的互動式 FPS 世界模型。簡單來說，你終於能拿著手柄，在 AI 現算出來的第一人稱射擊遊戲裡自己跑動和開火了。

整個專案基於 Wan2.2 的 50 億引數圖生影片模型（Wan2.2-TI2V-5B）改造而來。團隊把模型權重、推理程式碼以及訓練用的 CrossFPS 資料集全套開源在了 GitHub 和 Hugging Face 上。

準星裡開槍，準星外看路

讓 AI 即時聽懂手柄指令，最大的難點在於 FPS 操作實在太複雜。玩家往往一邊推搖桿走位，一邊轉視角瞄準，手上還在連按開火或換彈。

以往的世界模型把這些按鍵當成全域性訊號扔給畫面，結果就是一開火整張螢幕跟著晃，背景瞬間變形。SCOPE 的解法很聰明：它在 Wan2.2 的 30 個 DiT 模組裡分別插入了動作模組，做了一套「空間解耦」。

具體來說，手柄的雙搖桿 4 軸連續移動和視線轉向，走平滑的注意力機制去驅動整體畫面的位移；而開火、換彈、跳躍等 6 個離散按鍵，則通過交叉注意力嚴格限制在武器和準星所在的區域性區域。哪怕完全不用分割標籤做標註，槍口劇烈後坐也不會帶崩遠處的走廊或建築。

模型目前能輸出 480×832 解析度、20 FPS 的畫面，單次生成 81 幀（約 4 秒）。如果顯示卡視訊記憶體夠大，也可以把幀數拉長到 161 幀。

餵了 7 款遊戲，換到新遊戲也能玩

為了教會模型什麼是 FPS 規律，團隊構建了 CrossFPS 資料集，包含 7 款不同射擊遊戲的 6.9 萬個影片片段，每一幀都嚴格對齊了 10 自由度的運算元據。

在測試中，面對複雜的複合操作，SCOPE 展現出了斷層級的優勢。比如「一邊移動一邊開火」，以往的矩陣遊戲類模型響應率往往只有個位數，SCOPE 做到了 76%；「開鏡同時射擊」的響應率達到 82%，複合操作平均成功率超過 71%。

更值得一提的是它的零樣本泛化能力。只給它一張《黑神話：悟空》《原神》或《雙人成行》的靜態遊戲截圖，輸入手柄移動和射擊指令，它就能憑空推演出符合對應視角的 FPS 操作畫面，不需要針對這些遊戲單獨微調。

為什麼重要

在各種世界模型還在比拼誰生成的短片畫質更細膩時，SCOPE 往前邁了一大步：它把世界模型從「自動播片」推向了「可互動原型」。

對獨立遊戲開發者和策劃來說，它提供了一種極低成本的驗證手段。在傳統工作流裡，搭建一個能跑、能看、能開火的關卡原型，需要美術建模、綁骨骼、配控制器指令碼。現在你只需要丟一張概念圖，接上手柄，幾秒鐘就能體驗第一人稱視角的實際觀感，甚至用來測試關卡動線。

對技術本身而言，SCOPE 證明了在開源大模型底座上做區域性動作控制是可行的。它沒有推倒重來搞一套全新的大架構，而是靠巧妙的空間解耦和零初始化殘差，凍結主模型權重來訓練外掛模組，這種工程思路非常務實。

不過就目前來看，它離真正代替遊戲引擎還有距離。單次生成幾秒、480P 的解析度以及必須依賴高階算力的門檻，註定它現在還是個前沿原型工具，延遲也達不到真電競遊戲的毫秒級響應。但我們認為，它給未來原生 AI 驅動的互動娛樂趟出了一條極具參考價值的路。