实测5款国产世界模型，看清“生成世界”走到了哪一步
本文来自微信公众号： 夕小瑶科技说 ，作者：夕小瑶编辑部，原文标题：《实测5款国产世界模型，看清「生成世界」走到了哪一步》
家人们，不知道你们有没有同感，世界模型这个词，最近半年出现的频率高得离谱，但好像身边很少有人用过。
上周，李飞飞的World Labs发布Atlas，把图像、视频和三维空间放进同一个模型，Runway也拿出了GWM Worlds 2，展示可以随着操作实时生成画面和声音的世界，字节也被曝出来正在基于研发Seedance的实时空间视频模型。
世界模型是什么？
字如其意，世界模型给你的是一个「实时交互、持续运行」的世界。
在这个世界里，你可以前进、后退、转弯、跳跃，任意移动和改变视角，还可以下达指令、挪动物体、开关门，让眼前的世界发生变化。
下一个状态的世界，是根据上一个状态和你的操控实时生成的。
目前，已经有十几家团队发布了世界模型Demo。听上去很炫酷，但是上面的几个产品都还是研究预览版，普通用户没有任何体感。
最近一两个月，我发现类似的产品扎堆上线，不少厂商还开放了实测权限，打开网页就能玩起来。
目前开放实测的，有蚂蚁的LingBot-World 2.0、阿里的HappyOyster 1.0、腾讯混元的HY-World 2.1、爱诗的R1，还有8月26号刚开源的Zing-0.5。
有点像当年GPT-3出来的时候，技术虽然还不成熟，但至少已经给到一种这条路能走得通的感受。
所以，这期我们做一次国产世界模型的评测。
亲自上手看看，目前主流的世界模型跑起来实际是什么效果，相比世界模型这个名字，它到底有什么吸引力。
◈一、我们是怎么测的
我们一共选了五位选手，尽量覆盖目前国内主流的世界模型，关键是可以上手体验，分别是
蚂蚁LingBot-World 2.0
Loopit Zing-0.5
阿里HappyOyster 1.0
爱诗R1
腾讯混元HY-World 2.1
另外还有一个InSpatio-World我也研究了，但目前官网还没有开放完整实测入口。从公开case看，它现阶段干预世界的能力有限，所以这次没有放进来。
上手之后，我发现，虽然都叫世界模型，五家的玩法其实不太一样。
有的世界里，我可以自己走路，自己漫游，世界是实时生成的。
有的世界里，我可以对世界下指令，世界会根据我的指令实时发生变化。
还有的世界里，模型能把两件事放在一起做，实现一遍探索、一边下指令改变世界的状态的联合控制。
我们分别把这些能力称为：漫游、导演、联合控制。
从功能上看，目前五家的情况是这样：
五家的产品路线其实差得挺大，LingBot和Zing兼具三种功能，他们最接近大家想象里的「实时世界」：一边按键走，一边输入文字改变环境。
HappyOyster虽然具备两种功能，但这两个功能是分开的，不能联合控制。
此外，爱诗R1、HY-World 2.1则分别具备一个导演和漫游的能力。
不过功能有多少，和做得好不好，是两回事。
所以这轮，我不强行给五家排一个总分。能同题的放在一起测，玩法不同的单独说。
篇幅不短，我先把整体的结论放在前面，大家可以往后细看实测。
Zing、LingBot
功能最完整，兼具漫游、导演和联合控制，最接近“可交互世界”。
HappyOyster
漫游和导演都有，但两个模式分开；导演/叙事表现突出。
爱诗R1
明显偏导演和线性叙事，AI自己运镜，空间交互能力弱。
HY-World 2.1
偏场景/空间生成，与前几家的玩法不完全相同。
下面先从最容易看懂的一关开始：
我给它一张图，它能不能从这个画面生成世界。
◈二、输入还原度
先从最基础的一关开始：输入还原度。
考察的是模型开始生成时，能否沿用参考图里的主体、构图和场景关系。
我给五家同一张参考图：
提示词：沙漠中有一辆帆车，前方道路开阔，沿用参考图的场景和画风。
先看各家的生成开场：第一帧出来，Zing、HappyOyster、LingBot基本都对上了。
爱诗R1第一个翻车。
我传进去的人明明背对镜头，它开场直接给我来了一个正脸特写，机位和画面关系已经不是原图了。
混元尝试了多次，系统提示：
请上传场景图片（如自然风景等），物体或人像不符合要求。
HY-World 2.1图生场景入口拒收人像图
我后来又看了一遍它的官方示例库，基本都是纯风景和场景图。确实只能接收无人像的场景图。
HY-World 2.1官网的示例库，清一色风景和场景，一张带人的都没有
所以第一关，只看输入图还原度：Zing、HappyOyster、LingBot打平。
第一轮测试很基础，接下来要求就变得具体了。
◈三、运动后一致性
进入世界，走动起来以后，它还能不能记住自己原来长什么样。我称作是运动后一致性，关注的是用户移动或转动视角后，原有主体和环境能否保持连贯。
这一轮看主体一致性和环境一致性。
◽主体一致性
还是刚才那辆沙漠帆车那个世界。
先看Zing和LingBot。这次，我驾驶汽车往前冲去，直行的时候两边画面都没问题，各个元素非常稳定地呈现在画面里。
直到后面，我按住同时按下前进和右转按钮时，右边LingBot的车底突然露出四个又大又圆的黑轮胎，之后就再也没变回去。
相比之下，左边Zing从拱门下穿过去，车底一直保持低矮的履带底盘。
Zing一致性相对较好。
接着是HappyOyster，我用同样的方式操作直行、转向，一路看下整个画面还是原来的结构，画面一致性也非常不错，和Zing不分上下。
综合看，运动中的一致性上，Zing=HappyOyster>LingBot。
在这个世界里，其余两个模型的表现就不太好比较了。
先是，爱诗R1，这个模型不支持在世界里漫游、运动。它更擅长的是导演一个世界。
但正因为它自己导，问题暴露得更彻底。
爱诗在这个世界里，为主角换了三张脸。
沙漠开车，爱诗R1自动演绎，数一数换了几张脸
开头还是背面远景，紧接着切到驾驶者正面，给了一个面部特写。往后看，这个人换了张脸，戴上护目镜，再后面又变成另一张女性面孔。
至于HY-World 2.1，由于这张参考图没有通过入口，我换成同样的文字描述，先生成一个场景。
在这个世界里，画面肯定是跟参考图不一致了。
但我可以操纵一个上帝视角漫游，换不同角度看，场景相对固定。
综合看，在主体人物的一致性上，Zing≈HappyOyster>LingBot。爱诗、腾讯无法同题排名。
除了主体人物的一致性，创作过程中，环境的一致性也很重要。
◽环境一致性
移动、转向、切换视角后，空间是否会变形、消失或凭空新增。我的判断是这个能力会直接影响生成结果要不要反复修改。
于是我又补了一道题目，输入参考：
这道题，我仅对比了支持漫游的Zing、LingBot、HappyOyster。
题目是这样的，在他们生成的世界里，我操作这个第三人称的人物在环境里行动。观察环境背后的星空是否发生显著形变。
先说结论，环境一致性这道题，HappyOyster>Zing>LingBot。
先看HappyOyster。
在这个世界里，我抬头看了很久的天，旋涡和星星的笔触稳稳的；低头回来，石桥和村庄又出现在原来的方位。
HappyOyster的环境一致性，给到夯。
接着是Zing和LingBot的世界。
开头，随着人物的行走，两边都还原得不错，石路、村庄、旋涡星空都在。
但没走几步，我在原地宣传一圈回来，LingBot的天上忽热冒出一轮弯月。再往前走，它的旋涡星空变成一条条粗大的蓝色横纹，《梵高》的星空完全不见了。
Zing这边，抬头，旋涡还是旋涡；低头回来，石路和村庄的灯火也还在。
不过和HappyOyster比，它的星空还是发生了一些形变，没有那么稳。
◈四、物理合理性
考察的是世界里的变化是否符合基本的物理规律。比如海啸来袭。
黄昏的码头边停着一艘巨轮，一个人站在栈桥上。我输入：
海啸来袭。
Zing的海面上涌起浪头，大浪从侧面扑向栈桥，再扫过码头。水是从海里过来的，整个过程比较顺。
LingBot则先在船身上铺出一层青绿色的水幕，像从船顶往下淌。船被水盖住了，旁边的海面却还比较平，之后水才慢慢漫到栈桥。
再来看一个case，海上灯塔，我的指令是天亮了，看天色变化后，周围环境是否出现相应的明暗、照明范围和水面反光变化。
输入参考图：
Zing的天空和海面一点点亮起来，是那种从夜到晨的渐变。相比之下，LingBot的变化不是特别明显。
顺带一提HappyOyster的灯塔。它不能输指令，我只能漫游。
从石拱下往前走、出拱门、在夜色里靠近灯塔，一路都很稳。快到结尾，画面底部突然冒出一团黑影，看清了，是两只手，从画面下缘伸出来，像是第一人称的手。
综合看，这两道环境变化题，Zing的物理性相对更胜一筹。
◈五、漫游控制
漫游控制考察的是按键操作、人物移动和镜头变化是否对应。人物能动之外，还要让操作者看清自己走到了哪里、转向了哪个方向。
这一轮使用士兵荒原场景，只操作前进、转向和视角，不追加剧情事件。观察人物朝向、背景位移以及镜头与人物的距离，考察移动控制的准确性和反馈是否清楚。
提示词：一名穿深红色长风衣、戴护目镜的士兵，独自行走在空旷的末世荒原上。第三人称背后跟随视角，地面干裂，远处有少量废墟和电线杆，天空阴沉。
士兵跑起来之后，Zing和Lingbot的漫游都能follow手上的动作，脚下的道路和周围景物的变化，都能对应起来。
相比，我觉得左边更直观，更加跟手。LingBot也能响应移动和视角操作，但镜头多次贴近人物背部，位移和动作不如Zing直观。
这个差别，放到真正玩的时候很重要。
再比如这个雪地行走的case。
多次尝试后我会发现，Zing和Lingbot两个模型对人物走路姿态的控制不太一样。
相比之下，Zing的角色漫游行进速度更快，更爱奔跑，而Lingbot更擅长一步步行走，各有所长。
当然这个功能比较抽卡，多次测下来差不多我的体验是五五开。
◈六、导演能力
导演能力考察的是模型能否把剧情指令演成一段有前后关系的过程。
包括角色做什么
新元素与谁发生关系
镜头变化是否服务于故事
这次我们分成两方面看：
我给几个模型安排了一条简单的故事线：
小猫沿着森林小路往前走，脚下依次开出发光的小花。小猫停下，花朵飘起来，聚成一条发光的鱼，再由飞鱼带着它继续走。
中间加入两次指令：
出现一只蓝色巨型蝴蝶。小猫变身超人。
腾讯这次的入口不支持这种玩法，所以这里只看另外四家。
先看蓝蝴蝶。
Zing的蝴蝶在猫旁边，LingBot的蝴蝶长到了猫身上。
Zing这边，一只蓝蝴蝶飞进来，在猫旁边活动。后面发光的小鱼也出现了，接着给猫带路，整个故事是连贯的。
LingBot的蓝蝴蝶则渐渐和猫背融在一起，变成一对越张越大的蓝翅膀。
但先别急着夸它听话，下一句“小猫变身超人”，它也翻车了。
我们测了多个case，发现LingBot容易把物体混在一起，单看画面有想象力，但是容易特效感过强。
再看爱诗R1。
它的画面一直在往下演，天马行空，就是一个时空的创意天才，但元素关系容易混乱。
猫走到水塘边，一只蓝蝴蝶从旁边飞来，猫背上又冒出一只，后面两只并成了一只。
追加指令之后，画面更热闹了。猫站上长满苔藓的小山，天空出现金色光环，接着是蝴蝶特写、发光的鱼，后面又转到了铁链和石台。
东西不断增加，我最初想看的那条故事线，反而越来越不清楚。
这一题最出彩的，还是HappyOyster。
它的导演模式，不只是把提示词里的东西放进来，而是会把动作拍清楚。
小猫往前走，镜头先切到猫爪。脚步落下，地面亮起来，一朵花开出来；再回到全景，小猫身后已经留下了一路花。
蓝蝴蝶飞进来之后，小猫还会停下来，抬头看它。这个反应很加分！前一个动作带出了后一个变化，镜头也在帮我们看懂过程。
HappyOyster的导演能力，在橘猫这题里给到夯。
这组测完，几家的差别也比较清楚了，综合来看，导演能力这一项
HappyOyster最擅长把局部过程演清楚；
Zing在自主续演这类题目里更有意思；
LingBot能接剧情，也有想象力，但关系和特效经常容易混在一起；
爱诗R1=有“创意天才”的感觉，但演着演着就飞了。
◈七、联合控制：边走边改，才是世界模型该有的样子
前面，我们分别看了漫游和导演。
漫游让我决定往哪走，导演让我决定发生什么。
联合控制，则要让这两件事同时成立。
所谓联合控制，不只是“能走”或“能改”，而是人物移动、镜头变化、环境/角色变化同时发生。例如角色一边移动，一边喷火、攻击或让环境变化。这类能力更接近真正的游戏、互动内容和复杂剧情。
因为现实的动作不会排队发生，人移动的时候，环境也在继续变化。
但这里只能对比Zing和LingBot两家有联合控制能力的模型。
先看一个我觉得整个评测里难度最高，也是最复杂的一个case。
看这个case要同时留意三件事：控制人物移动、改变视角、下达指令。
我让他“发出攻击打龙”，同时按W继续靠近，模仿真实的游戏打斗场景。
打击紫龙：对照移动中的攻击方向与目标可见性。
Zing手里的蓝光变成光束，朝龙射过去。继续往前走，人物、光束和龙的位置关系也比较清楚，能看明白攻击朝哪里去。
LingBot同样有龙，也有攻击效果，但大块蓝色光环、紫红色火焰经常占据前景，挡住了我想看的动作，还是存在特效感过强的问题。
在这段联合操作里，Zing更好地保留了行动所需的信息，更逼近游戏真实场景，LingBot更像是在展示攻击特效。
这里测到的是移动和事件能否配合，以及画面反馈是否清楚；伤害、碰撞、技能规则是否持续有效，还不能由这些片段证明。但是愿意继续操作的感觉，已经出现了。
再先看一个case，场景是一条绿藤缠绕的长廊，一位白裙女孩往里走。
我触发了“绿叶庇护”，然后继续控制人物移动。
出现“绿叶庇护”的指令提示后，Zing的画面里形成了明确的大型叶片，撑开以后像一把伞，盖在女孩上方。
我继续往前走，叶片的轮廓也比较容易辨认。它撑在哪里，女孩站在哪里，两者的关系很清楚。
LingBot也有叶片等变化，但更显眼的是蓝色光点和金色光环。效果围着人物和通道展开，更像施放了一次魔法。
对比着看，Zing和Lingbot效果不分好坏，各有千秋，Zing更像世界展开的真实过程，Lingbot更有视觉效果。
这段里，我更喜欢Zing的空间呈现，女孩、叶片和长廊比较容易分辨。
联合控制能力特别重要，到了游戏和可自由行动的互动剧情里，玩家会边跑边攻击，角色会边走边对话，环境里的事件不会等人停下来才发生。
拿打龙来说，我向前靠近，龙在画面里，攻击从角色手里发出。此时镜头还得让我看清双方的位置，才能决定下一步继续追、转向，还是后退。
如果每次下指令都要停下来等一段新画面，或者变化后我的位置和目标都对不上，体验就会被打断。
所以，联合控制是世界模型走向实际产品的一项关键能力，直接决定能不能组成一段持续进行的体验。
◈八、响应速度
前面看的是操作有没有做对。这一节，再看它做得够不够快。
按键之后，人物能不能及时动起来；指令下去，世界会不会让我等半天。
第一组，参考图是一名滑翔者飞在山谷上方，前方是开阔的雪山和峡谷。
我让人物继续飞行，同时给Zing和LingBot追加一句：
出现雷雨云
这组里，Zing响应指令相对快一些。
爱诗R1也能追加指令，不过等上几秒，画面才开始发生变化。
HappyOyster不能同时追加雷云指令，但漫游的整体操作相对跟手。
第二组，冰箱下海。
场景是一间客厅，冰箱门打开，门后是一片海。
这次分两步：先按W，让人物走进冰箱；再点击“冰封巨浪”，让眼前的海面冻起来。
这组里，Zing的两次反馈都更快。
两步连起来，操作感就出来了。我刚走进一个新地方，马上就能继续改变它，不必每做一步，都停下来等画面追上。
第三组，森林小猪。
一只粉色小猪站在森林小路上，连续调整方向，观察小猪和视角能不能跟着操作变化。
这组里，LingBot的动作反馈更跟手。
操作切换之后，LingBot这边的小猪从侧身转向镜头，接着继续靠近，几个动作能接着往下走。
Zing也有转向，不过随后一段里，小猪更多停留在侧身朝向，姿态和位置的变化没有那么连续。
我换了方向，LingBot这边也更及时地给出了下一个动作的反馈。
后面，我还测试几组响应速度的案例。
综合看，对环境变化的响应速度上，Zing>LingBot>爱诗R1。
对漫游指令的遵从速度上，Zing、LingBot、HappyOyster三家基本五五开，根据整体环境的不同略有差异。
对我来说，世界模型的“快”，最终就落在这种感觉上：我刚改变主意，眼前的世界就能跟上。
◈九、成本
最后聊下钱的问题。
先看LingBot和HappyOyster，这两家的平台费用比较容易算。
仅按公开的报价，连接10分钟，LingBot约1.98美元。
HappyOyster则要先付建世界的钱，再付实时会话费。新建一个世界并运行10分钟，合计约10.40美元。
HY-World 2.1的全景图与三维场景属于按生成结果购买的另一种方式。爱诗R1此次没有取得可比的计费依据。
Zing的价格是0.06元一分钟，是团队披露的线上推理成本，不是普通用户的使用账单。
这个口径对应服务运行成本，不能直接理解为用户付6分钱就能玩一分钟，也不能保证自行部署就能复现。如果这项成本能在实际服务中稳定达到，对反复交互当然有吸引力。
换算成同一个口径大概是这样：跑10分钟世界，LingBot约2美元，HappyOyster约10.4美元（含建世界），Zing自部署的成本在1块钱以内。差了不止一个数量级。
成本这一项：Zing最便宜，HappyOyster最贵。
◈说点实在的：世界模型到底有什么用
五家产品的技术路线不是同一条，但是形态上还是比较明显的。
可能有读者会疑惑，都有视频模型了，为什么还要世界模型？
区别不是画面更长，也不是场景更大，是能实时地和一个世界交互，并且能无限操控和生成世界。
滑翔伞飞到一半，我可以临时让它下雨。
小猫走到一半，我可以放一只蝴蝶进来。
看到旁边有条路，也可以自己转过去看看。
我能想到的用途也从这里开始。
做游戏原型，可以边走边试一个场景；构思短片，可以先让角色动起来，再决定下一步怎么演。它们还不是完整的生产流程，但已经能让人亲手摸到一种新的创作方式。
不过，一旦操作权到了我手里，要求也会跟着变高。
看一段视频，有些问题一闪而过，我可能没注意。现在，我会回头，会靠近，会故意再看一遍。
这轮测完，我不觉得世界模型已经成熟了。
但我确实开始愿意花时间体验它，也开始能具体地说出，下一版应该把什么做好。
如果非要给现在的世界模型找一个位置，我觉得它还不是ChatGPT出现的那个时刻。
更像是GPT-3已经出来了，能力已经成立，体验还需再打磨的状态，并且开始让用户期待世界模型的ChatGPT时刻。
今天这五家都还有很明显的问题，但能走进去，已经是个很大的变化。接下来，要让人愿意留在里面。