EdenLive把世界模型塞进一张显卡

VAST 于 10 月 18 日正式发布并开源实时世界模型 EdenLive，尝试用单张消费级显卡完成 720P 可交互画面的连续生成。按照团队公布的数据，EdenLive 的 5B 参数版本在 Nvidia GeForce RTX 5090 上能够达到超过 24 FPS 的生成速度，连续运行时间达到分钟级，并将玩家操作到画面反馈的端到端延迟控制在百毫秒量级。

实时世界模型是能够根据外部操作和持续变化的世界状态，连续预测并生成视觉画面的生成模型。 它和普通文生视频模型最大的区别，不是视频更长，而是用户可以在生成过程中改变方向、动作或场景状态，模型需要及时给出符合操作结果的新画面。

EdenLive 的价值也正在这里：它不是生成一段无法修改的“游戏录像”，而是把上游游戏原型、3D 场景乃至实拍视频作为控制信号，再实时生成写实、二次元等不同风格的最终画面。开发者可以先用粗糙模型搭出能玩的关卡，再让生成模型承担过去由材质、灯光、特效和后期共同完成的视觉包装。

关键数字：720P、24 FPS 和百毫秒延迟

EdenLive 目前最有说服力的指标，是在本地硬件上跨过了“可以实时观看”的帧率门槛。VAST 给出的测试配置是单张 RTX 5090、5B 参数模型和 720P 输出，生成速度超过 24 FPS；系统同时提供 480P 与 720P 两档分辨率，用于在速度和细节之间取舍。

| 项目 | EdenLive 已公布表现 | 实际意义 | 仍需确认的问题 | |---|---:|---|---| | 模型规模 | 5B 参数版本 | 规模低于许多通用视频模型，更适合本地部署 | 不同尺寸权重的质量差距尚待独立测试 | | 运行硬件 | 单张 Nvidia RTX 5090 | 不依赖多卡服务器，可进入个人开发者工作站 | RTX 5090 仍属于高端消费卡，显存占用未披露 | | 输出分辨率 | 480P、720P | 720P 已足够进行原型预览和风格验证 | 尚未达到主流游戏的 1080P 或 4K 标准 | | 生成帧率 | 720P 超过 24 FPS | 跨过影视连续运动的基础门槛 | 平均帧率、最低帧率和复杂场景波动尚未公布 | | 交互延迟 | 百毫秒量级 | 漫游、推箱子等低频操作基本可用 | “百毫秒”范围较宽，不适合直接等同于低延迟游戏 | | 连续时长 | 分钟级 | 不再局限于数秒视频片段 | 长时间身份、物体和场景一致性仍会衰减 |

24 FPS 解决的是“画面能不能连续看”，百毫秒延迟解决的是“操作后要等多久”，两者不能混为一谈。即使模型稳定输出 24 FPS，每帧生成耗时约 41.7 毫秒，整个系统仍可能因为状态更新、条件编码、帧缓冲和显示链路而产生更高延迟。

“百毫秒级”也不是一个足够精确的游戏性能结论。100 毫秒和 500 毫秒都可以被描述为百毫秒量级，但前者能用于相对自然的场景漫游，后者则会让动作反馈明显滞后。在 VAST 公布更细的 P50、P95 延迟、首帧等待时间和最低帧率之前，EdenLive 更适合被看作实时原型渲染器，而不是能够替代传统引擎渲染管线的成品方案。

它生成的是画面，不是整个游戏

EdenLive 最关键的设计判断，是没有让一个视频模型同时负责物理规则、游戏逻辑、角色状态和最终画面。VAST 将 Project Eden 拆成三层：底层保存可演化的结构化状态，中间层负责状态映射与观测，最上层通过 EdenLive 完成生成式渲染。

结构化世界状态是对角色位置、物体属性、关卡进度和交互结果等信息的明确记录。 例如玩家推动箱子后，箱子的坐标应当由游戏逻辑更新，而不是让视频模型根据画面“猜”箱子可能移动到哪里。

生成式渲染是利用生成模型把结构化状态、参考画面和文本条件转换为最终视觉内容的过程。 它可以把简陋的碰撞体、灰盒场景或低成本动画转成更精细的画面，但不应该成为决定游戏规则的唯一来源。

这种分工比“让 AI 从像素里模拟一切”更务实。纯像素世界模型一旦忘记某个物体、误判角色位置或改变地形，错误会直接进入下一轮预测；EdenLive 则让上游系统保留真实状态，即使某一帧视觉结果出现偏差，下一帧仍有明确的条件可以纠正。

| 技术路线 | 世界状态由谁维护 | 视觉由谁生成 | 优势 | 主要短板 | |---|---|---|---|---| | 传统游戏引擎 | 引擎逻辑与场景系统 | 光栅化或光线追踪管线 | 精确、低延迟、可复现 | 高质量资产生产成本高 | | 纯视频世界模型 | 模型隐式记忆 | 同一个生成模型 | 输入形式自然，探索空间大 | 状态容易漂移，规则难以保证 | | EdenLive 解耦路线 | 上游交互系统 | 生成式视频模型 | 保留规则确定性，同时快速改变画风 | 逻辑状态与视觉结果仍可能不一致 |

EdenLive 因而更接近一种“神经渲染后端”，而不是完整游戏引擎。它不会替开发者定义碰撞、计分、任务和多人同步，但可以在这些规则已经运行之后，快速生成对应的视觉反馈。

任意参考输入，比单纯文生视频更实用

EdenLive 的另一个卖点，是允许开发者使用简化场景、2D 动画、3D 场景、参考视频或第一视角操作画面作为控制来源。目标首帧负责确定角色与场景的基本外观，提示词负责指定风格和语义方向，后续参考序列则提供布局、镜头与运动信息。

这种组合比只输入一句提示词更适合生产流程。文本可以准确表达“日式手绘动画风格”，却很难逐帧约束角色该向左走几步、镜头何时转向以及箱子被推到哪个格子；参考画面恰好可以补上这些空间和运动约束。

任意画风也不等于完全不受训练分布限制。EdenLive 可以在写实、动漫和手绘等风格之间转换，但最终效果仍取决于参考首帧、提示词、训练数据覆盖范围以及运动复杂度。面对陌生视觉语言、快速遮挡或多个外观接近的角色，模型仍可能出现身份混淆和细节漂移。

这套能力近期最现实的用途，是把美术验证提前到原型阶段。关卡设计师不必等完整角色、材质和灯光资产就绪，就能查看一个岩浆关卡在写实风格或动画风格下的大致效果；动画团队也可以锁定运镜和动作，再快速比较不同视觉方案。

Game Prototype Turbo 补上了上游逻辑

VAST 同步开源的 Game Prototype Turbo，是一套从自然语言生成可游玩代理游戏的“Prompt to Proxy Game”能力。这里的 Proxy Game 是用简化资产和基础规则快速搭建的可运行游戏原型，它强调交互逻辑可验证，而不是画面已经达到发行品质。

Game Prototype Turbo 与 EdenLive 组合后，形成了一条从描述到可玩画面的链路。用户先用自然语言生成游戏原型，原型在运行过程中输出角色位置、输入事件和关卡状态；这些数据经过观测接口映射为视觉条件，再交给 EdenLive 实时渲染并反馈给玩家。

这条链路比单独展示一段世界模型视频更有行业意义。视频 Demo 很容易通过筛选片段掩盖失败案例，而可运行原型会持续暴露延迟、状态错位和长时一致性问题，也更能检验模型究竟能否进入开发工具链。

VAST 还计划开放端到端 Demo，展示自然语言生成游戏、试玩原型、指定目标首帧以及实时渲染的完整过程。对开发者来说，这个 Demo 的参考价值可能高于模型跑分，因为它能回答条件信号如何组织、状态如何同步以及生成画面如何接回交互循环等工程问题。

开源的意义，在于把实时世界模型拉回可验证范围

VAST 此次开放的内容包括不同尺寸的模型权重、推理代码、训练方法、数据说明和性能优化方案。对于世界模型研究而言，开放权重不仅意味着能够复现 Demo，也意味着外部开发者可以测试显存占用、复杂场景帧率、提示词遵循和长时间运行稳定性。

开源尤其有助于验证“单张消费级显卡”这个说法的边界。RTX 5090 的官方建议零售价为 1999 美元，配备 32GB GDDR7 显存，虽然属于 GeForce 消费产品线，却不是多数普通玩家已有的显卡；如果较小版本能在 RTX 4090、RTX 3090 或 24GB 显存设备上保持可用帧率，EdenLive 的实际覆盖面才会明显扩大。

模型权重开放也不自动等于低门槛使用。开发者仍需关注许可证是否允许商业使用、训练数据是否披露到可审查程度、不同权重需要多少显存，以及推理优化是否依赖特定 Nvidia 架构。这些信息将决定 EdenLive 是研究社区可以普遍改造的底座，还是只能在少数高端设备上复现的技术样机。

现在还不能称为“AI 游戏引擎”

EdenLive 当前最明显的边界，是对高频、精确交互的支持仍然不足。场景漫游、推箱子和回合制对打可以容忍一定延迟和视觉误差，但射击、格斗、竞速和节奏游戏要求几十毫秒内稳定反馈，角色轮廓、碰撞位置与画面也必须严格一致。

细小物体和密集交互会进一步放大生成模型的弱点。一个钥匙、弹匣或按钮在画面中可能只占几十个像素，模型一旦漏画或改变外观，玩家看到的内容就会与底层状态发生冲突；这种问题在普通视频里只是瑕疵，在游戏里却可能直接破坏判断。

多角色身份一致性仍是另一道硬门槛。两个角色交叉、遮挡或离开视野后，模型需要在再次出现时恢复正确的脸、服装和道具，而不能只生成一个“语义上相似的人”。VAST 已经把多角色身份、离屏物体外观和更长状态记忆列为后续优化方向，这说明团队对当前限制并未回避。

EdenLive 现阶段也不适合取代传统渲染器承担正式产品的全部画面。传统引擎能够精确控制每一个像素对应的资产、材质和状态，生成模型则以概率方式输出结果；前者的问题是昂贵，后者的问题是不够确定。短期内更合理的组合，是用传统引擎保证规则和关键反馈，再让世界模型处理背景、风格化预览或容错空间较大的视觉层。

真正的看点是“状态与画面解绑”

EdenLive 最值得肯定的地方，不是把 24 FPS 包装成已经解决实时游戏，而是选择了一条更容易落地的系统路线。把可验证的世界状态留给游戏逻辑，把高成本的视觉呈现交给生成模型，既承认了现有引擎的价值，也利用了视频模型最擅长的画面合成能力。

这条路线可能先改变原型制作，而不是直接改变成品游戏。独立开发者可以快速测试玩法与美术方向，影视团队可以用低成本场景预览不同风格，虚拟世界项目则可以在不重做全部资产的情况下尝试新的视觉表现。

VAST 的长期目标是让 Project Eden 成为可以持续运行、支持多人并发并具备原生持久性的生成式世界。要实现这一目标，系统还需要解决分钟级生成之外的长期记忆、多人状态同步、确定性、安全边界和推理成本问题，其中任何一项都比做出一段好看的演示视频更难。

EdenLive 因此更像一次重要的工程节点，而不是终点。单卡 720P 超过 24 FPS 证明生成式画面开始接近实时交互，但它距离稳定、低延迟、长时间运行的商业游戏仍有明显距离；开源让这项成果变得可复现，也让接下来的争论可以从演示效果转向真实数据。

参考来源

• GitHub：EdenLive 相关开源仓库检索：用于查找 VAST 发布的模型权重、推理代码及后续更新，具体许可证和硬件要求应以官方仓库为准。
• Hugging Face：EdenLive 模型与数据集检索：用于跟踪开放权重、模型卡、推理配置和社区复现结果。