双榜第一背后，他们想做的不是下一个世界模型

编辑｜牛来 今年交互视频世界模型成了大热门。 阿里 HappyOyster、蚂蚁 LingBot、生数科技 Vidu S2、爱诗科技 PixVerse R2 等接连亮相。 虽然技术路线各有侧重，但各家目标高度一致，都想让 AI 视频能实时响应用户操作，支持连续交互，生成一个可以自由探索的虚拟世界。 当然，我们对距离真正开放、长期运行的生成世界一直抱有保守期待，毕竟真正落地有不少技术与工程难题。 但现实的进展，往往快过预期。 最近，我们在交互视频世界模型评测 WBench 的榜首，看到了一个新名字： Murea-Pro 。 它在多轮交互视频评测 WBench Full-289 中，以 81.1 分 拿下第一 。其中拉开差距最大的交互能力和物理合理性，分别取得 82.6 和 74.4 的高分。 Wbench 链接： https://meituan-longcat.github.io/WBench/#leaderboard 生成速度方面非常亮眼，RTX PRO 6000 可以做到 3.6 s 生成 5s 长度视频， RTF < 1 （Real-Time Factor，实时因子），处理速度快于音频播放速度，实现了实时视频。 我们在该模型官网，发现它还有一个轻量型的开源版本： Murea-Fast 。 这个「轻量型」并不逊色，在参考生视频评测 OpenS2V-Eval 中，以 64.98 分位居参评开源模型第一，其 NexusScore 达 51.66，在参考还原能力上同样排名第一。 两项成绩，让这组模型进入了我们的视野，在认真拆解了它的技术报告以及经过实测后，发现很多有意思的地方：这个团队的野心，不是下一个世界模型，而是更好玩、更有想象空间、能更快落地的 —— 实时互动内容模型 。 视频地址：https://mp.weixin.qq.com/s/_YAaKBXAJuwOjXcFovarLA 脱离「看视频」的逻辑，这更像在一个 AI 生成的世界里真正「玩」起来。 技术解读：Murea-InWorld 如何维持一个持续演化的世界？ Murea-InWorld 采用 两层协同架构 。 每轮交互开始时， 上层的 Murea-Mind 作为模型大脑，会读取当前世界状态、用户指令和上一段视频的结束画面，规划下一个事件，充当编剧和导演和核心角色； 下层的 Murea-Pro 和 Murea-Fast 负责执行生成相应的画面与声音；生成结果随后交给大脑模型检查，确认发生的变化再写回世界状态，成为下一轮交互的依据。 这一过程可以概括为 「状态、行动、生成、观测」 。 这种双层协作，可以让模型避免出现生成虽快，但内容无意义的情况，真正做到让用户用自然语言来持续改变一个有记忆、有声音、可以回档分支、支持多人参与的虚拟世界。 GitHub链接：https://github.com/Murea-Labs/InWorld Hugging Face链接：https://huggingface.co/MureaLabs/InWorld 官网链接：https://murea.ai/ 让这套闭环稳定运转的关键，是 持续更新的世界状态 。系统在视频模型之外维护一套「账本」，人物和场景的参考图、声音、固定描述被保存为资产；人物位置、服装、情绪、随身物品，以及天气、光线等信息则持续更新。固定身份与动态状态分开管理，可以降低角色外观和剧情变化互相干扰的概率。 用户撤销操作时，系统恢复生成前的状态快照；重新选择则创建并行分支，原有视频与剧情继续保留。多人模式下，每名玩家的输入先转换为结构化动作，再由系统统一编排进同一画面。 World Agent 总览。上层保存世界记忆；中层把用户指令转换成生成条件并保存片段；下层回看生成画面，为后续规划和部分状态更新提供依据。 世界状态确定之后，Murea-Pro 和 Murea-Fast 负责生成画面与声音，其核心机制是 Omni-Reference Generation 。人物、动物、物品和场景参考会被分别编码为干净的条件 latent，并获得独立编号。参考素材不参与加噪和去噪，主要作用是稳定人物身份和外观。 左侧是输入参考，右侧是同一生成视频的连续采样帧。可重点看人物、猫、布料与庭院的组合，以及多人同框、写实和风格化场景中的实体对应。 视频与音频在同一个 DiT 中联合生成。受控注意力机制先让参考信息作用于各自模态，再通过正片中的视频和音频 token 建立联系。训练数据使用结构化描述，明确每个参考对应谁、由谁说出哪句台词，以及动作和镜头发生的时间顺序。 音视频生成框架总览。模型能力的三层结构。上方 (a) 说明参考图、可选声音参考和文本如何共同控制音视频生成；左下 (b) 说明 MeanFlow → DMD 两阶段蒸馏；右下 (c) 说