摘要： Overworld 在 2026 年 1 月 20 日於 Hugging Face 發布 Waypoint-1，這是可用文字、滑鼠與鍵盤即時控制的互動影片擴散世界模型，並開源 2.3B 的 Waypoint-1-Small 權重與 WorldEngine。模型以 1 萬小時帶控制輸入的遊戲影片訓練，再以 self-forcing 與 DMD 收斂分布落差，可在 RTX 5090 達到約 30 FPS。它的長時間一致性、畫質與穩定度仍未達產品級，適合當作可自架的原型基線，而不是遊戲引擎替代品。
新創公司 Overworld 選在 2026 年 1 月 20 日把 Waypoint-1 推上 Hugging Face——這是一個標榜「即時互動」的影片擴散(diffusion)世界模型。你餵給它起始畫面,換到的不是一段播完即止的影片,而是一個能用鍵盤與滑鼠當場駕駛的世界:它產出的每一格畫面,都取決於你此刻輸入了什麼。其中 2.3B 參數的 Waypoint-1-Small,權重已直接開源放上 Hub;推論引擎 WorldEngine 的原始碼也一併公開。
對開發者而言,這是世界模型頭一回以「抓得下來、跑得出來」的樣貌現身:端上桌的不是預先錄好的展示片,而是在消費級 GPU 上以 30 FPS 即時受控運行的系統。隔天,研究者 Akshay Gholam Akaliq 評論道:「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 的本體與控制方式
Waypoint-1 屬於影片擴散模型,以文字提示搭配滑鼠、鍵盤輸入來驅動。在 API 這一層,它逐格接收控制訊號 CtrlInput(button=…, mouse=[x, y]),再與文字提示及可選的固定起始畫面合併使用。模型主體是 frame-causal rectified flow transformer,運算發生在壓縮過後的潛空間裡。官方宣稱控制零延遲:你轉動視角、敲下按鍵,緊接著的那一格畫面就會隨之改變,無須等待整批生成完成。
兩階段訓練:10,000 小時遊戲影片與 diffusion forcing
訓練流程分成兩段。預訓練餵入 10,000 小時附帶控制輸入與字幕的遊戲影片,技法是 diffusion forcing:在序列上套因果注意力遮罩,讓每一格各自以隨機強度加噪、再各自去噪。這套做法的副作用,是訓練與推論兩邊的分布對不上——長時間連續滾動生成時,誤差一路堆疊,畫面的噪訊也越滾越重。因此後訓練改走 self-forcing,配上 DMD(distribution matching distillation)來收斂這段落差,另加入單次 CFG 與少步去噪,把推論開銷壓進即時可負擔的範圍。
WorldEngine:把 30 FPS 做出來的工程活
讓「即時」從口號變成事實的,是推論堆疊 WorldEngine。以 RTX 5090 實測,Waypoint-1-Small(每格 256 個 tokens)單輪去噪可達每秒約 30,000 次 token-pass;攤開來,就是 4 步去噪跑出 30 FPS、2 步去噪跑出 60 FPS。用的招式全是紮實的底層工程:快取 AdaLN 特徵、以 Flex Attention 實作靜態滾動 KV cache、把 QKV 矩陣乘法融合起來,再加上 torch.compile 開滿 fullgraph 與 max-autotune、並把 dynamic 模式關掉。說到底,30 FPS 靠的不只是模型小,更是把每一次去噪的延遲榨到見底。
權重開放與生態鋪排
生態這一局鋪得相當齊:Waypoint-1-Small 的權重以 overworld/Waypoint-1-Small 之名放上 Hugging Face Hub,Waypoint-1-Medium 掛著「即將推出」;WorldEngine 原始碼收在 GitHub 的 Wayfarer-Labs/world_engine 儲存庫,官網另外提供線上試玩。發布當天同步開跑駭客松,頭獎是一張 RTX 5090——擺明了要讓第一批玩家與開發者即刻進場。
距離真的「能玩」,還差幾步
短板同樣擺在檯面上:這波先交出的是 2.3B 的小模型,Medium 仍無下文;潛空間模型在長時間滾動下能否維持一致,正是這套訓練管線想收服、卻還沒收服的難題。社群裡已經出現用鍵盤滑鼠實測即時遊玩的案例,大方向獲得肯定,但距離產品級的畫質與穩定度,仍有一段路。
給產品團隊的務實建議是:把它視為第一個能自行架設的互動世界模型基線——拿來做互動敘事原型、布置代理訓練環境、驗證遊戲玩法都合適,但別指望它取代遊戲引擎。真正值得記下的一點是:世界模型這個品類,已經從論文與閉門 demo,走進開源、可量測、可以反覆迭代的時期。