整活了！爆火「闪身步」实时生成动漫版，VAST世界模型全面开源

编辑｜陈陈

最近，一款《小王子》3D 剧情游戏，在 X 上火了。

熟悉的 B-612 星球、孤独的玫瑰、浩瀚的宇宙…… 圣埃克苏佩里笔下的童话世界，竟然真的变成了一款可以亲自探索的游戏。

更让人意外的是，这款游戏出自独立开发者 Sac 之手，他只用了 16 天，就借助 AI 将《小王子》改编成了一款 3D 爆火剧情游戏。

来源：
https://x.com/saccc_c/status/2109962425512734739?s=46&t=BP9XQKBYAjFchunY5lXz7Q

一人、16 天，就能把经典童话变成一个可游玩的三维世界。背后的 AI 模型立了大功。

据了解，Sac 使用 Opus 5.5 辅助编写游戏代码，借助 Tripo 生成 3D 模型，再通过 Blender 完成相关制作。而这里面用到的 Tripo，正是全球领先的通用人工智能公司 VAST（三启万物）旗下的 3D 基础生成模型。

有意思的地方来了。

就在《小王子》游戏走红之际，这家公司的世界模型研究又有了新进展。

这一次，VAST 拿出了最新阶段性成果，EdenLive。

这是 VAST 旗下的世界模型研究项目 Project Eden 系列中负责「实时生成式渲染」的渲染器，EdenLive 以 Proxy（简化参考画面）或参考视频作为控制信号，结合目标首帧图像和文本提示词，持续生成写实、精细化或风格化的视频画面。

试想一下，如果将 EdenLive 应用到前面《小王子》这样的游戏中，开发者就可以先用简化的 3D 场景搭建游戏，再通过 EdenLive 实时生成更精细的画面，甚至自由切换童话、写实、油画等不同风格。

这次发布更重要的意义，是让生成式渲染走出离线视频创作，真正进入实时交互循环。过去，视频生成通常需要等待模型完成计算，再观看生成结果。而 EdenLive 能够持续接收变化的参考画面，并实时生成对应的视觉内容，让用户操作与画面变化形成连续反馈。

在性能方面，单张 Nvidia RTX 5090、5B 参数模型、720P 的配置下，EdenLive 的实时帧率超过 24 FPS。连续生成可以持续到分钟级，输出提供 480P 和 720P 两档，在效率与画质之间留出选择空间。从用户操作到对应画面出现，端到端延迟在百毫秒量级。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

值得一提的是，VAST 还将 EdenLive 全面开源，涵盖不同尺寸规格的模型权重、推理代码，以及介绍模型训练方法、数据等技术细节和优化方案的 Tech Report。

同时，团队还开源了 Game Prototype Turbo—— 一款「Prompt to Proxy Game」Skill。用户可以通过它快速生成可直接游玩的 Proxy Game；游戏运行中产生的状态数据也可以同步输入 EdenLive，由模型实时渲染为动态画面，并反馈给玩家，形成从游戏逻辑到实时视觉呈现的完整链路。

为了让开发者更直观地体验这套流程，团队还将开放一套端到端 Demo，完整展示从自然语言生成游戏、实际试玩、指定目标首帧，到 EdenLive 实时渲染的全过程。

这样，开发者不仅可以直接体验模型能力，还能进一步研究其技术实现，并将生成式渲染接入自己的游戏、动画及其他交互式应用中。

• 代码：https://github.com/VAST-AI-Research/EdenLive
• 项目主页：https://vast-eden.ai/?p=edenlive
• 技术报告：https://assets.vast-eden.ai/assets/edenlive/EdenLive-tech-report.pdf
• 开放权重：https://huggingface.co/VAST-AI/EdenLive

任意参考、任意画风，EdenLive 把实时渲染玩出了花样

接下来，我们不妨通过更多 Demo，来直观感受 EdenLive 的生成效果。

最近网上很火的「闪身步」，能不能直接变成动漫？EdenLive 就给出了一个示例。以真人视频为参考，模型保留了原有动作节奏和运动轨迹，同时将人物与场景重新渲染成动漫风格。

也就是说，动作还是那个动作，但人物外观、画面质感和整体视觉语言已经被重新生成。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

场景和物体的视觉风格同样可以自由切换。下面示例是将真实街景画面，转换成梵高《星空》式的视觉风格。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

一只卡通鹈鹕骑着自行车，经过 EdenLive 渲染，画面变成了湖边的写实场景。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

一段漫画铲雪车则转换成了积雪覆盖道路、沿途树木和具有真实光影效果的铲雪画面。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

这些 Demo 背后是同一套生成逻辑。

无论参考来自 2D 动画、3D 场景还是真实视频，EdenLive 都可以利用其中的结构与运动信息，再通过目标首帧和提示词重新指定画面风格。

更关键的突破在于实时性。

传统实时渲染依赖人工制作 3D 资产、调整材质和光影，制作成本高、周期长。而离线视频生成模型虽然能够产出精美画面，却需要等待生成完成，难以对用户操作作出实时反馈，更无法嵌入实时交互循环。

EdenLive 则在两者之间提供了新的解决方案。只需提供粗略的场景结构和运动参考，就能持续、实时地生成高质量画面，无需提前制作完整的美术资产。

更关键的是，这一生成过程可以直接接入交互系统。用户发出操作后，底层引擎更新世界状态，并持续输出对应的参考画面，EdenLive 再实时完成视觉渲染，将结果反馈给用户。

如此循环，生成式渲染便真正进入了实时交互流程，让画面能够随着用户操作持续变化。

这也非常契合影视和动画的前期制作。导演或动画师可以先用简单的画面确定构图、角色运动和镜头路径，再通过生成式渲染尝试不同视觉风格。同一段参考动画，可以生成写实、卡通或其他风格版本，帮助团队更快确定最终的美术方向。

在交互式游戏中，EdenLive 的表现也可圈可点，渲染的游戏画面具有丰富的环境细节，同时保留了游戏操作界面和交互机制。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

另一段格斗游戏中，两名角色在场景中对峙，画面呈现流畅。玩家仍然可以通过按键控制角色行动，底层的游戏规则不会改变。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

在具身智能数据领域，EdenLive 同样展现出应用潜力。它能够在保留原始数据动作轨迹和场景结构的基础上，改变画面的视觉外观，为机器人训练提供更加多样化的数据样本。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

解耦的设计哲学

世界独立运行，画面实时生成

长期以来，可交互的世界模型面临一个基础问题：模型既需要生成画面，又需要理解和维护世界中的状态。

生成画面，需要处理纹理、光照、运动、遮挡与视觉连续性。维护世界状态，则需要准确记录角色的位置、物体属性、碰撞关系，以及持续变化的任务进度。对于游戏来说，系统还需要处理生命值、技能冷却、NPC 行为、胜负条件等明确规则。

当所有信息都依赖视频模型隐式推断时，错误就容易逐步积累。

EdenLive 的做法是将交互状态与视觉渲染解耦。

具体来说，游戏规则、交互响应和世界状态由上游交互系统负责，EdenLive 则根据系统输出的参考画面，持续生成精细或风格化的视觉内容。

角色在哪里、攻击是否命中、任务进度如何变化，都由交互系统记录和更新，无需视频模型仅凭画面推断。EdenLive 因而可以专注于画面质量、风格表现与实时生成。

视频链接：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA

整个过程主要由三类输入驱动。

• 输入一，proxy 或参考视频流。它提供场景布局、镜头运动和粗粒度动态。简化参考画面可以来自智能体搭建的 2D／3D 场景，也可以由现有游戏引擎或创作工作台输出，甚至可以直接取自屏幕录像。
• 输入二，目标首帧画面。它决定整体的视觉外观和画风。
• 输入三，文本提示词。它补充风格和更细粒度的细节。

最终，EdenLive 输出经过精细化处理的视频，或持续生成的视频流。

EdenLive 的核心生成范式可以概括为 Proxy-to-Fine（从简化参考到精细画面）。这一范式利用 Proxy 提供的场景结构和运动信息进行生成，无需参考画面达到特定的几何细节精度，也不要求它必须通过某种特定的渲染管线生成。

对于创作者来说，这套流程不必先为每一种画风重新制作全部场景资产。同一套参考，可以生成不同的视觉版本。一个简单的游戏原型，也有机会快速获得更接近成品的画面表现。对于需要反复探索游戏、影视和动画风格的团队来说，这种能力具有相当直接的价值。

值得注意的是，这条路线并不意味着 3D 技术将被视频生成取代。

在 VAST 的技术体系中，3D 负责空间结构、对象关系和资产表达，为世界状态维护提供基础；视频生成则负责精细画面与视觉风格呈现，两者形成互补。

EdenLive 正处于状态维护、3D 表征与生成式视频渲染的交汇点。

EdenLive ：Project Eden 一个阶段性成果

把视角拉远，可以发现 EdenLive 是 VAST 世界模型研究计划 Project Eden 的阶段性成果。

Project Eden 作为下一代交互式内容创作的底层引擎，从根本上跳出了现有技术范式，将底层世界状态推演与表层视觉渲染进行了彻底解耦。最终实现可交互、可仿真的生成式世界。

整个项目采用三层解耦架构。

• 最底层是可演化的结构化状态，负责描述世界中持续变化的信息。
• 中间是状态映射与观测接口，将内部状态转换成可供生成模型理解和呈现的条件。
• 最上层则是生成式渲染，根据状态与参考信息合成视觉内容。

在这一架构中，EdenLive 主要承担第三层的工作。

而 Project Eden 的长期目标更加宏大，它希望构建一个能够持续运行、支持多人并发，并具备原生持久性的生成式世界。

这种创作方式仍有许多技术难关要跨越，但 EdenLive 已经展示了技术的可行性。

当然，EdenLive 仍有一些技术挑战。比如，细小物体和密集交互场景的控制稳定性还有待提升，多角色的身份一致性、物体离开视野后再次出现时的外观保持，以及更长时间的状态记忆，也需要进一步优化。

接下来，团队将重点降低端到端延迟，提升参考遵循能力和长时视觉一致性，并探索更丰富的交互形式与多人共享世界体验。

VAST 护城河

EdenLive 能够实现任意参考输入、任意画风生成和实时长时渲染，背后离不开 VAST 在技术路线、训练数据和研发团队上的持续积累。

首先是对技术路线的提前判断。

在 AI 发展快速演进的当下，技术路线的判断尤为重要。不同路线决定了模型架构、训练数据和工程系统的建设方向，一旦确定，就需要持续投入大量研发资源。越早找到可行的技术路径，就越有机会提前积累数据和工程经验，形成竞争优势。

VAST 早在今年四五月就确立了「状态维护 + 视频渲染」的解耦路线，而这一思路直到八九月才开始受到行业更广泛的关注，其布局比行业相关方向集中转向提前了约三四个月，这条路线至今仍被证明是对的。

其次是高质量、多样化的训练数据。

VAST 拥有很强的 data sourcing 团队，长期积累的数据管线覆盖 2D、3D Proxy、游戏引擎渲染画面和真实视频等多种形式，这种数据的多样性，是模型适应不同参考输入、实现统一生成式渲染的重要基础。

最后是团队与人才。

VAST 此前在 Tripo 系列 3D 基础模型、3D 创作工具和 Project Eden 上的持续投入，为团队积累了跨越 3D、视频生成与交互系统的研究人才和工程经验，也为 EdenLive 的研发提供了技术基础。

对于世界模型这样的前沿领域，技术路线和模型架构可以被借鉴，但跨领域团队的协作能力，以及长期训练、调优和系统集成过程中积累的经验，很难在短时间内复制。这也是 VAST 持续投入人才建设的重要原因。

V・STAR 顶尖人才计划

VAST 想寻找更多同行者

为进一步吸引全球优秀青年研究人才，VAST 还推出了 V・STAR 顶尖人才计划，重点招募在 3D 生成基础模型、三维理解与智能体与世界模型三个领域具有创新潜力的研究者，共同探索前沿技术的能力边界。

这些方向也是 VAST 长期投入的核心研究领域。

在 3D 生成与 Agentic 3D 方向，基于自研 Tripo 系列 3D 基础模型，公司推出了 AI 驱动的一站式 3D 工作台 Tripo Studio，尝试将基础模型、生态插件与原生工作台结合，降低三维内容生产门槛。

在世界模型方向，Project Eden 持续探索具备原生持久性和多人交互能力的生成式世界，EdenLive 则是其实时生成式渲染管线的阶段性成果。

3D 基础模型方面，VAST 构建了 H 系列与 P 系列两类模型体系。H 系列面向高精度 3D 资产生成，强调视觉细节与专业制作能力；P 系列则聚焦工程可用性，通过原生四边面拓扑生成，让 AI 生成资产能够更直接进入游戏、动画等生产流程。

与此同时，VAST 也在持续积累技术基础。目前，公司累计发表 60 余篇顶会论文，GitHub 星标超过 3.5 万；Tripo 系列 3D 大模型连续半年在第三方独立评测中位居前列；产品与服务触达全球数千万用户，并已接入头部游戏、XR、3D 打印与影视团队的真实生产管线。

这些积累也成为 VAST 继续探索世界模型的重要基础。

对于希望探索 AI 3D、Agentic 3D 和世界模型方向的研究者而言，VAST 提供了参与前沿技术探索的机会，团队始终围绕「让人人都能自由创造可交互的世界」这一愿景，为不同技术路径留出充分的探索与试错空间。

在人才培养方面，VAST 强调开放、扁平的研究环境，鼓励年轻研究者提出新想法，并将其直接转化为实际研究项目。好的技术思路可以快速立项、验证，即便是实习生，也有机会参与核心模型训练，深入模型研发与工程实践。

除了研究资源和成长机会，V・STAR 还提供具有竞争力的薪酬与长期激励。无论是全职还是实习生都有机会拿到比头部大厂更具竞争力的薪资，特别优秀者上不封顶，并提供长期期权，让优秀研究者有机会分享公司成长带来的实际收益。

从 3D 基础模型到 Agentic 3D，再到持续运行的生成式世界，VAST 希望通过 V・STAR 汇聚更多年轻研究力量，共同推动下一代交互式世界的技术突破。

结语

回到 EdenLive，这次发布的意义，或许还不止于让视频生成变得更快、画风选择更加自由。

当底层状态与视觉渲染被拆解开来，生成式世界有机会获得更加稳定的交互逻辑，也让高质量视觉内容能够随着用户操作持续变化。

当然，EdenLive 目前仍面临复杂交互、长期一致性和多角色控制等挑战。距离真正自由、持久的生成式世界，还有不少技术难题需要解决。

但随着阶段性成果陆续落地，VAST 长期坚持的技术路线不断被验证：以 3D 作为空间与状态的基础表达，通过 Agent 构建和维护交互逻辑，再利用生成式视频渲染呈现世界。

EdenLive 是这条路线迈向实时交互的一次阶段性验证。

而 VAST 长期希望实现的，是让人人都能自由创造并体验可交互的世界。