Runway发布GWM Worlds 2：实时生成720p音视频交互世界，世界模型迈向可控模拟器仍待验证
· 来源：runway.com
Runway在研究预览中推出GWM Worlds 2，宣称可实时生成24帧/秒的720p视频与48kHz音频，并以文本动作和连续镜头输入驱动开放式交互世界。
Runway于2026年9月3日发布研究预览版GWM Worlds 2，称这是一套能够实时生成并响应用户操作的交互式世界模型。该系统可连续输出720p、24帧/秒的视频和48,000Hz音频；用户可在探索过程中控制镜头运动，并通过文本向特定角色或整个场景下达动作指令。相较于此前展示的GWM Worlds，第二代系统新增生成式音频及更丰富的主体、场景控制能力。
Runway将其定位为把高保真音视频生成转化为实时交互模拟的尝试。用户可事先定义环境、参与主体、视觉风格、环境氛围及物理规则，随后输入诸如挥剑、人物说话、房间进水、沙尘暴来临等文本事件。公司展示的样例中，玩家可第一人称操控荒漠中的幸存者行走、使用长矛或奔跑；另一名“导演”则可同时改变篝火和天气，使夕阳过渡为星空。系统宣称，世界会基于每次新输入继续生成，而非沿固定视频片段或预写脚本推进。
其核心控制格式被命名为WorldPrompt。Runway将世界状态拆分为相对持久的上下文和随时间变化的事件流：前者包括场景布局、材质、光照、环境声音、角色属性，以及重力、碰撞、角色能力、镜头视角等规则，并以首帧画面作为视觉锚点；后者则由带起止时间的文本动作构成，可指定给角色或场景，涵盖移动、手势、物体交互、对白与声音。多项动作可重叠发生，镜头的平移和旋转则以逐帧输入方式提供。
在技术路径上，Runway称其先以基础音视频生成模型为底座，再使用WorldPrompt格式进行微调。公司给出的街角对话示例中，系统需同时维持湿路面、建筑和人物形象等场景元素，并让清洁工扫落叶、指路，与穿绿色风衣的女性完成带语音的交互。这类结构化描述意在让同一套输入方式覆盖游戏角色控制、场景导演及虚拟人物对话等不同用途。
实时、带声音且可交互的生成世界，若能稳定运行，可能服务于游戏原型、影视预演、生成式界面，以及机器人和具身智能体的仿真训练。不过，目前披露内容主要来自Runway的演示与技术说明，尚不足以证明系统具备可量化、可复现的真实物理能力。文本控制在复杂并发事件下是否可靠、角色与物体能否长期保持身份和空间一致性、物理规则是否能跨场景稳定执行，以及开放时长运行后的误差累积情况，仍是判断其能否从视频演示走向可控模拟器的关键。
—— 综合整理自：Runway