一句话生成一个能玩的世界，这件事现在有了开源版本。VAST 发布实时世界模型 EdenLive 和 Golem，核心思路是把状态与渲染拆开：上游交互系统维护逻辑规则与状态，生成模型只负责高保真的视觉渲染。

打开网易新闻 查看更多图片

为什么要拆？因为视频模型擅长生成看起来合理的画面，却无法独自维护血量、碰撞、物体身份和胜负条件。过去的世界模型演示，往往用一段视频证明模型能够想象世界，但画面再好看，也接不住玩家的操作。

EdenLive 的架构分三层：持续演化的状态、状态到画面的接口、生成式渲染器。状态层保证交互逻辑的确定性，渲染层负责把状态画出来。用一句话概括这套分工：参考画面决定结构、运动和镜头，生成模型负责重写这些内容。

性能上，EdenLive 能追着不断变化的参考画面生成，在 RTX 5090 上以超过 24 FPS 的速度输出 720P 画面。实时交互跟随，是它区别于传统视频生成模型的关键能力。

长时生成的一致性靠三方分工解决：

  • 参考视频提供结构与运动
  • 目标首帧确定画风
  • 文本提示词补充细节

在 Gemini-3.8-Flash 的盲评中，EdenLive 在参考遵循、首帧一致性等多个维度领先对手。

另一个模型 Golem 则专注具身智能数据增强。它的做法是把真人视频中的手部替换为机械臂，为模型提供机器人视角的训练素材，用来解决视觉分布差异。对做机器人训练数据的人来说，这是一条绕开真机采集的路径。

落地方向也摆得很清楚：实时游戏制作、视频画风转换、具身数据增强。从一句话到一个能玩的世界，中间隔的不是想象力，是状态和渲染能不能各司其职。