2026 年 1 月 20 日,新創 Overworld 在 Hugging Face 發布 Waypoint-1:一個「即時互動」的影片擴散(diffusion)世界模型。給它起始畫面後,它生成的不只是一段固定影片,而是一個可以用滑鼠與鍵盤即時操控的世界——每一個生成畫面都以你當下的輸入為條件。2.3B 參數的 Waypoint-1-Small 權重直接開源上架,推論引擎 WorldEngine 的程式碼也同步公開。
對開發者來說,這是世界模型第一次以「可下載、可實測」的形態出現:不是預錄的展示影片,而是消費級 GPU 上 30 FPS 的即時操控。隔天,研究者 Akshay Gholam Akaliq 給出的評價是:「朝真正能回應即時控制的互動世界模型,踏出了有意義的一步。」
Waypoint-1 是什麼
Waypoint-1 是一個以文字、滑鼠與鍵盤提示並控制的影片擴散模型。API 層接受逐格的控制輸入 CtrlInput(button=…, mouse=[x, y]),搭配文字提示與可選的指定起始畫面。模型骨幹是 frame-causal rectified flow transformer,在壓縮後的潛空間中運作。官方的宣稱是零延遲:你移動視角、按下按鍵,下一格畫面就跟著你的操作變化,而不是等一段批次生成。
10,000 小時遊戲影片與 diffusion forcing
訓練分兩個階段。預訓練使用 10,000 小時、附有控制輸入與字幕的遊戲影片,方法採用 diffusion forcing:以因果注意力遮罩處理序列,每一格以隨機噪訊強度獨立加噪與去噪。這種做法的代價是訓練與推論的分布不一致,長時間滾動生成時誤差會累積、畫面噪訊變重。後訓練因此改用 self-forcing 搭配 DMD(distribution matching distillation)來修正這個落差,並加入單次 CFG 與少步去噪,把推論成本壓到即時可行的水準。
WorldEngine:30 FPS 的推理工程
真正讓「即時」成立的是推論堆疊 WorldEngine。在 RTX 5090 上,Waypoint-1-Small(每格 256 個 tokens)的單次去噪通量約為每秒 30,000 次 token-pass,換算下來是 4 步去噪 30 FPS、2 步去噪 60 FPS。手段全是硬工程:AdaLN 特徵快取、配合 Flex Attention 的靜態滾動 KV cache、融合的 QKV 矩陣乘法,以及開滿 fullgraph 與 max-autotune、關閉 dynamic 模式的 torch.compile。換句話說,30 FPS 不只靠小模型,更是把每一步去噪的延遲壓到極致的結果。
開放權重與開發者生態
生態布局相當完整:Waypoint-1-Small 權重在 Hugging Face Hub 上以 overworld/Waypoint-1-Small 釋出,Waypoint-1-Medium 標註「即將推出」;WorldEngine 程式碼放在 GitHub 的 Wayfarer-Labs/world_engine 儲存庫,官方網站可線上試玩。發布當天還舉辦駭客松,獎品是一張 RTX 5090——擺明要拉進第一批玩家與開發者。
世界模型離「可玩」還有多遠
限制同樣清楚。先釋出的是 2.3B 的小模型,Medium 尚未落地;潛空間模型在長時間滾動下的一致性,正是這套訓練管線設法要解、而尚未解決的難題。社群裡已經有人用鍵盤滑鼠實測即時玩法,方向獲得認可,但離產品水準的畫質與穩定性還有距離。
對產品團隊,務實的讀法是:把它當成第一個可自架的互動世界模型基線——適合做互動敘事原型、代理訓練環境與遊戲玩法驗證,而不是拿來取代遊戲引擎。真正的訊號在於:世界模型這個品類,從論文與閉門 demo 進入了開源、可量測、可迭代的階段。
參考來源
- Introducing Waypoint-1: Real-time interactive video diffusion from Overworld — Hugging Face
- Waypoint-1 公告與示範 — Akshay Gholam Akaliq(X)
- Wayfarer-Labs/world_engine — GitHub
本文由 AI 協助自上述來源整理，經人工審核後發布。