你在为大模型谁更强吵架的这半年,另一半 AI 前沿已经悄悄堆到了 30 多个模型——它们叫 world models,世界模型。🌍
起因是个刚开源的项目,叫 WorldFoundry。它干的事本身就说明问题:给”世界模型”做一个统一的推理 + 评测框架。为什么需要统一?因为这个赛道已经挤到,你得有个统一的地方,才跑得过来、比得清楚。它把这些模型分成了四类,你大概能对上号👇
「视频生成」
HunyuanVideo、CogVideoX、Wan 2.2、Open-Sora-Plan、LTX 这些——文字或图片进去,一段视频出来。这一类你可能已经在用了。
「3D / 4D」
把一张图、一句描述,变成能旋转、还带时间维度的三维场景。静态的建模型,动态的连”它接下来怎么动”一起建。
「具身 / 动作」
给机器人或者 agent 一个能预判”下一步这个世界会变成什么样”的模型——它得先在脑子里把物理世界跑一遍,才知道手该怎么伸。
「可交互世界」
像 Hunyuan GameCraft 这种,直接生成一个你能走进去、亲手操作的场景。到这一步,它已经从”看”变成”玩”了。🎮
还有个细节:这份清单里中国团队的存在感相当强——HunyuanVideo 是腾讯的,Wan 出自阿里,CogVideoX 来自智谱。在视频、世界模型这条线上,国内不但没落下,甚至有点扎堆往前冲。
为什么这半边突然重要?因为纯语言模型其实不懂”把杯子推下桌会摔碎”这种物理常识——它读过一万篇描述,但从没在脑子里真”跑”过一遍。世界模型补的就是这块:给 AI 一个能预演后果的内部沙盘。机器人、自动驾驶、还有那些真要动手干活的 agent,卡住的往往都是这一层:能说会道之外,它们还差一个能在脑子里预判世界的模型。
单看其中任何一个模型,都不算新闻。真正的信号是:它们已经多到,需要一个”统一入口 + 统一跑分”了。LLM 当年也是走的这条路——一堆模型冒出来,然后 lm-eval、vbench 这类评测框架出现,标志着它从”炫技 demo”进入了”要被认真比较、认真选型”的阶段。世界模型现在,正好卡在这个拐点上。
老实说,WorldFoundry 自己还很早,十几个 commit,还在活跃开发;”world model”这个词也糊,视频、3D、具身被一股脑归到一起。但方向是清楚的:这不再是零散的炫技,是一个正在成形的赛道。
所以如果这半年你只盯着 GPT 和 Claude 在那儿掰头,很可能错过了另一半——AI 不只在学”把话说明白”,也在学”想象一个世界接下来会怎么动”。而这半边,才刚开始热。🧐
关注 @svtransit1 · 写给真在用 AI 的人
链接 · 👇 第一条评论
#AI #世界模型 #视频生成 #AI前沿
原始来源：https://github.com/OpenEnvision/WorldFoundry
关注 @svtransit1 · 每 3 小时一篇 AI 前线 · RSS