X-Gen Labs 推出世界模擬系統：用「道」推進演化，用「鏡」生成第一視角

現在大家聊起「世界模型」，多數時候看到的其實只是個高階影片生成器。畫面再逼真，鏡頭只要轉過去再轉回來，剛才的路人或花草可能就換了樣。原因很簡單，後臺根本沒有一個真正持續存在的世界。

X-Gen Labs 拿出了一個思路完全不同的生成式世界模擬專案，把它拆成了兩半：DAO（道）和 JING（鏡）。

一個管後臺規律，一個當前端攝像機

說白了，DAO 就像底層的遊戲引擎，而 JING 則是跟著你眼睛跑的攝像機。

DAO 負責維護整個環境的共享狀態和運轉規則。就算你離開某個房間，或者關掉畫面，世界裡的 NPC 和各種動態元素依然在後臺按照規則自主活動。當你重新回到那個地方，一切依然保持連續。

而 JING 則是第一人稱的互動體驗模型。它拿到 DAO 同步過來的區域性狀態，根據你的動作和視線歷史，即時生成你該看到和聽到的畫面。

這種架構最大的突破是支援多人同屏。根據演示，三個不同視角的角色處在同一個空間裡，彼此的動作和周圍物體的變化完全同步，不再是各做各的夢。

和之前的 VO3 或 Genie 3 相比，它是目前唯一一個內建完整世界狀態管理系統的模型。只要算力允許，它理論上可以無時間上限地持續生成，而不是跑個幾十秒就斷掉。

搬到本地要 67GB，但細節還會「漂移」

目前該專案還只是一個研究預覽版本，但團隊已經在 GitHub 上公開了 Jing 模型的程式碼和本地執行教程。

想在本地跑起來門檻不低。Jing 的畫面生成基於微調後的 MiniMax H3 影片模型，模型體積達到了 67GB。普通個人裝置基本跑不動，不少開發者都在等後續的量化版本。

官方也坦白了不少硬傷。首先是延遲和保真度，目前離真正的低延遲、高流暢還有距離。

如果鏡頭晃動太快或者視角切換劇烈，畫面的操作精度會明顯下滑。更麻煩的是長時間執行後，場景細節、空間方位以及上下文互動容易出現漂移。

為什麼重要

我們認為，X-Gen Labs 這次最聰明的地方，是戳破了「僅靠預測下一幀就能造出世界」的幻覺。

過去無論是各類視生成模型還是早期的互動世界原型，本質都是單向渲染。它們善於模仿視覺表象，卻記不住因果邏輯。把「狀態與規則維護」丟給 DAO，把「感官渲染」交給 JING，這種解耦才是真正通向持久虛擬社會該有的工程結構。

對遊戲和虛擬環境開發者來說，這指明瞭一條新路：未來的沙盒遊戲可能不再依賴龐大的人工程式碼去寫死邏輯，也不需要預先烘焙所有美術資產。只要有一個自洽的世界底座，加上能理解物理與視角的生成模型，無限生成的「頭號玩家」式世界才有落地的可能。

不過，現在大家先別急著把它當成成熟的引擎來用。67GB 的巨量體積、高延遲以及長時間執行後的細節漂移，註定它現階段更適合前沿研究者跑跑 demo。但比起只會在畫布上畫畫的 AI，一個能在你閉上眼後還在自己運轉的世界，顯然有意思得多。