我要认证
2026-01-10 阅读量：207
现在大家对虚拟世界的期待真的越来越高了，不管是玩游戏、搞仿真还是想在元宇宙里社交，都想要那种能随便逛、看着真实、还能自由互动的环境。
最近复旦大学、上海人工智能实验室和上海创新研究院开源了大世界模型Yume1.5。生成的世界不仅能靠文字控制，还能实时互动在里面游玩。
下面是生成的虚拟世界，赛博朋克、古文明、青山绿水能让你随意穿梭、游玩。
其实这些年视频生成技术已经进步不少了，像 Google的Lumiere、OpenAI的Sora，还有开源的 Stable Video Diffusion，生成的视频画质和连贯性都越来越棒。但真要用来做能无限探索的虚拟世界，就会发现一堆让人头疼的问题。
第一个问题就是不接地气。很多模型都是用游戏数据集训练的，生成的场景看着就很假，跟真实城市里的动态环境完全不是一回事。
游戏里的行人、车辆运动都有固定规律，可现实世界里的情况复杂多了，这些模型根本还原不出来，沉浸感一下就没了。
第二个是慢得让人抓狂。扩散模型本身计算量就大，生成一段视频要等好久。之前我了解过 Wan-2.1 生成一段标准视频要 611 秒，Matrix-Game 更夸张要 971 秒，这哪能叫实时互动啊，等视频生成完，探索的兴致都没了。
第三个是不够灵活。以前的模型要么靠键盘鼠标机械控制，要么只能按固定脚本走，没法用自然语言触发随机事件。想让虚拟世界里突然下场雨，或者有只猫跑过马路，根本做不到，玩一会儿就觉得无聊了。
这三个问题缠在一起，让虚拟世界一直停留在看着还行但不好玩的阶段，而Yume1.5直接解决了这三大难题。
长视频生成最头疼的就是，生成的画面越多，电脑要记的历史信息就越多，最后慢得像蜗牛。以前的办法要么是直接删掉早期的画面，导致后面生成的内容和前面脱节；要么是简单压缩一下，远处的场景就变得模糊不清。
Yume1.5的 TSCM 建模就聪明多了，它给历史画面做了双重瘦身。一方面按时间远近调整压缩力度，刚生成的近景少压缩点，保留更多细节；
早一点的远景就多压缩点，但关键信息一点不丢，就像我们看远处的东西不用看清每一根草，知道大概轮廓就行。另一方面还会给画面的 “数据通道” 减肥，把没用的信息过滤掉，让电脑处理起来更快。
这么一套操作下来，不管生成多长的视频，电脑都能轻松应对。视频块数量超过 8 个以后，推理速度就稳定下来了，再也不会越生成越慢，而且指令响应也更精准了。
实时性是虚拟世界的命根子，要是操作一下等半天，谁还愿意玩。Yume1.5 用了两个办法来提速，效果直接拉满。
首先是 “蒸馏” 技术，就像老师把知识浓缩了教给学生，研究团队让一个 “学生模型” 跟着 “老师模型” 学，老师要 50 步才能完成的生成任务，学生 4 步就搞定了，而且效果还差不多。
它还用 TSCM 代替了传统的缓存方式，解决了快速生成时容易出错的问题。这么一来，Yume1.5在 540p 分辨率下每秒能生成 12 帧画面，完全能满足实时互动。
对比一下以前的模型，Wan-2.1 每秒才 0.016 帧，Matrix-Game更是只有 0.01 帧，这速度提升简直是革命性的。
以前的模型只能机械控制，Yume1.5 直接实现了文本自由，这才是最让人惊喜的地方。它会把我们输入的文字分成两部分来理解，一部分是场景和事件描述，比如 “阳光明媚的欧洲街道 行人悠闲散步”；另一部分是动作控制，比如 “向前向右移动”。
这样一来，我们既可以用键盘鼠标直接控制角色移动和相机视角，也可以输入文字指令让虚拟世界发生各种事情。
想让街道上突然出现洒水车，或者让一群鸽子飞过天空，只要打一句话就行，虚拟世界瞬间就变得生动有趣多了。
为了让模型更好地理解文字和画面的关系，研究团队还专门建了三个数据集，有真实世界的视频，有合成的高清素材，还有专门描述各种事件的样本，总共有 13 万多条数据。模型在这些数据上交替训练，既能还原真实场景，又能精准响应文本指令。
为了测试Yume1.5，研究团队进行了全面测试。在核心性能上，Yume1.5 生成一段 96 帧、分辨率 544×960 的视频只需要 8 秒，而 Wan-2.1 要 611秒，Matrix-Game 要 971 秒，Yume 之前的版本也要 572 秒。
在指令跟随能力上，Yume1.5 的得分达到 0.836，远超其他模型，基本上我们说什么，它就能做什么。
在长视频生成上，Yume1.5 的稳定性也很出色。生成 30 秒的视频，分成 6 个 5 秒片段来看，后面的片段画质和美学得分都很稳定，不会出现越生成越差的情况。第 6 个片段的美学得分 0.523，比没用到这些技术的基线模型高不少；
图像质量得分 0.601，也比基线模型的 0.542 提升明显。
消融实验也证明了各个模块的作用，去掉 TSCM 之后，指令跟随能力从 0.836 降到了 0.767，而且视频越长，速度差距越明显。
实际生成的效果也很惊艳，就拿欧洲风格的城市街道来说，行人走路自然，车辆行驶流畅，建筑细节丰富，光影效果也符合现实规律。
用键盘控制相机移动，场景过渡很平滑；输入文本指令让行人躲避洒水车，模型能实时生成对应的动态画面，一点都不违和。
有人会问既然Yume1.5这么强，有什么应用场景吗？应用前景真的太广了，我随便说几个。
游戏开发肯定是最先受益的，以前做一款开放世界游戏，要大量美术人员画场景、做动画，成本高还耗时间。
现在有了 Yume1.5，开发者只要输入文本描述，就能生成无限延展的游戏世界，玩家还能通过文字触发随机事件，游戏的可玩性和沉浸感直接拉满，独立游戏开发者也能轻松做出大作。
虚拟仿真领域也能用，交通管理部门可以用它生成不同的交通场景，模拟早晚高峰或者突发事故，为交通规划提供数据支持；应急管理部门可以构建灾害模拟场景，用来做应急演练，既安全又省钱。
元宇宙和虚拟社交也会因为它变得更有意思，大家可以用文字自定义虚拟空间，邀请朋友一起探索，说句话就能触发互动事件，比如一起在海边点燃篝火，或者在未来科技城里看飞行汽车，沉浸式社交终于不再是口号。
Yume1.5真的让我看到了交互式虚拟世界的未来。以前我们觉得虚拟世界离日常生活很远，现在有了这样的技术，或许用不了多久，我们就能轻松创建自己的虚拟空间，和朋友在里面自由探索、互动玩耍。
直接把自己内置在虚拟世界中，赛博永生真的要实现了。
开源地址：https://github.com/stdstu12/YUME
想转型AI，不被时代淘汰
CAIE注册人工智能工程师认证
岗位能力 × AI工具 ×转型方向 × 场景落地 = 新AI职业价值
扫码免费领取《AI工程师入门学习指南》
