近年来，交互视频世界模型逐渐成为热点，阿里、蚂蚁、生成科技等多家企业相继推出相关技术方案。这些技术虽然侧重点不同，但目标一致：实现AI视频实时响应用户操作，支持连续的交互，构建一个可自由探索的虚拟世界。然而，关于真正能长期运行的生成世界，行业内依然保持谨慎期待，因其面临技术和工程上的众多挑战。尽管如此，发展的速度却往往超出预测。
在最近的WBench交互视频评测中，一款名为Murea-Pro的模型以81.1分取得了第一名，其在交互能力和物理合理性方面更是分别达到了82.6和74.4的高分。而在生成速度上，RTX PRO 6000能够在3.6秒内生成5秒长的视频，实时因子小于1，展现了惊人的处理能力。Murea团队同时还推出了一个开源的轻量级版本Murea-Fast，在另一项评测中表现同样出色。
经过对该模型技术文档的详细分析，发现其核心目标并非仅仅是打造下一个世界模型，而是创建更有趣、更具想象力且能够快速应用的实时互动内容模型。Murea-InWorld通过双层协同架构来维持一个不断演化的世界，上层的Murea-Mind负责制定下一个事件的计划，充当编剧和导演，而下层的Murea-Pro和Murea-Fast则负责生成画面和声音。
这一过程涵盖“状态、行动、生成、观测”等步骤，有效避免了虽然生成速度快但内容无意义的情况。用户可以通过自然语言持续改变拥有记忆和动态状态的虚拟世界。系统维护一个更新的世界状态，使得角色身份与动态场景分开管理，降低了相互干扰的可能性。
在多玩家模式下，系统通过结构化动作处理每个玩家的输入，整合到同一画面之中，确保互动的流畅性。Murea-Pro和Murea-Fast结合Omni-Reference Generation机制，确保生成角色与场景的稳定性，同时通过层次结构优化音视频生成过程。
总体而言，这些创新性的技术进展为实时互动视频体验的未来开辟了新的可能性。
发表评论