外观
交互式 / 实时 World Model 全景对照
迁自 2026-09-16 对照表。机器可读副本：
data/raw/world-model-comparison-2026-09-16.csv。
核验日期：2026-09-16（Asia/Shanghai）
口径：仅填官方项目页 / GitHub README / arXiv / Hugging Face 可核验信息；缺则写「未公开/未核验」，禁止编造。
评测分数凡来自团队自述或论文自报，均已标明。
主对比表
| 名称 | 机构 | 公开时间（约） | 参数量 | 分辨率 | 帧率 FPS | 首帧/交互延迟 | 控制方式 | 模态 | 时长能力（原文口径） | 开源 | 许可 | 评测（自述标明） | 主链接 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Zing-0.5 | Seedleap.ai（涌跃智能 / Loopit 技术团队） | 2026-08-26（权重与代码）；技术报告 PDF 2026-09-15/16 | 5B（基于 Wan2.2-TI2V-5B） | 示例与输入约定约 480×832（高宽需被 32 整除） | 官方 HF：多帧结果导出为 24 FPS H.264；「实时」依赖四步 DMD + 因果 KV cache，单卡实时吞吐 FPS 未在官方主 README/HF 给出明确数字 | 未公开/未核验 | 键盘 W/A/S/D/I/J/K/L + 中途 text prompt 改语义；T2V / 单图 TI2V | 视频 | 「responsive, long-horizon world rollouts」；滑动窗口注意力（默认 97/9） | 代码+权重 | Apache-2.0 | 团队自述：WBench 总榜第 2、实时世界模型第 1（均分约 81.0，见 README 2026-08-26） | https://github.com/seedleap/zing-world-model |
| LingBot-World 1.0 | Robbyant（蚂蚁集团具身团队） | 技术报告/代码约 2026-01-29；Fast 权重约 2026-04 | 公开权重为 Wan2.2 系 A14B 级（Base Cam/Act、Fast）；精确参数表未单独公布为「14B」以外数字 | 480P & 720P | Fast：16 FPS；论文称「producing 16 frames per second」 | 论文：latency under 1 second（配合 16 FPS） | Camera poses；Base(Act) 支持 action string（如 w/a/d/i/j/l） | 视频 | 「minute-level horizon」「long-term memory」 | 代码+权重 | Apache-2.0 | 论文对比表自述相对 Genie 3 等为开源实时方案；WBench 等见后续榜单他方引用 | https://arxiv.org/abs/2601.20540 |
| LingBot-World 2.0（Infinity） | Robbyant | 2026-07-09（报告/代码/模型）；2026-09-10 补全更多变体 | 14B（causal-fast / causal-pretrain / bid）；另有 1.3B causal-fast | 营销/README：「720p … 60 fps」；公开 generate.py 示例默认 480×832 | 团队口径：可驱动 720p@60fps 流；开源脚本侧多为 480P 参考 | 「Rapid Response Time」（未给出毫秒级官方数字） | 更丰富动作（攻击/射箭/施法等）+ text-driven events + Agentic Harness（pilot/director） | 视频 | 「Unbounded Interaction Horizon」；商务稿称 hour-long / infinity | 代码+权重（部署代码未开源） | CC BY-NC-SA 4.0 | 团队/他方榜：WBench Navigation 等见 EchoWM/EVOKE 论文表中的「LingBot-World v2 fast」行 | https://github.com/Robbyant/lingbot-world-v2 |
| Matrix-Game 3.5（附注 3.0） | Riemann Dynamics（论文作者；媒体常关联昆仑万维 Skywork；3.0 为 Skywork AI） | 3.5：WAIC/媒体约 2026-07；arXiv 2026-08-30；3.0 更早 | 5B（Wan2.2-TI2V-5B 上） | 720p（704×1280） | 媒体/团队：约 20 FPS 单卡；3.0 官方页：最高 720p@40 FPS（8 GPU DiT + 1 GPU VAE） | 未公开/未核验（3.5） | 相机轨迹（c2w extrinsics + intrinsics）；第一/第三人称；文本 prompt；第三人称可选角色 reference | 视频（Patch Memory / 几何记忆） | 3.5：「minute-long real-time interactive generation」；3.0：「stable memory consistency over minute-long sequences」 | 代码+权重（Base + Distilled） | Apache-2.0（3.5 README） | 论文自述强于长程场景召回/相机控制等；具体公开榜数字以 WBench 他方表为准 | https://arxiv.org/abs/2608.29910 · https://matrix-game-v3-5.github.io/ |
| JoyAI-Echo / Echo-WM | 京东探索研究院 / JD Future Academy（多校合作） | Echo-WM 代码约 2026-08-26；arXiv 2026-08-24 | 未公开（骨干公开为 LTX-2.3；文本编码器 Gemma-3-12B） | 720p | 未公开/未核验明确实时 FPS | 未公开/未核验 | 统一 camera intent：Action DSL（w/a/s/d/i/j/l）+ 连续 6-DoF；第一/第三人称 | 视频 + 环境音 + 音乐 + 语音（全模态） | Base「~10 s」；Flash Preview 为 4-step 因果自回归预览；父 README 称 interactive worlds「stable 60-second rollouts」；长视频产品 Echo-LongVideo 另有「10+ minutes」（非同一 checkpoint） | 代码+权重 | LTX-2 Community License（学术/非商用；商用需联系 Lightricks） | 团队自述：WBench Navigation Avg 81.7 第 1；Flash 81.0（项目页表） | https://arxiv.org/abs/2608.23189 |
| ABot-World-0 | 阿里巴巴 AMAP CV Lab（高德） | 因果学生 2026-07-09；arXiv 2026-07-21 | 5B（ABot-World-0-5B-LF，Wan2.2-TI2V-5B） | 720P（论文表 1280×704） | 单卡 RTX 5090 最高约 16 FPS | 1.2 s action-to-first-frame | 原始键盘动作（漫游 + 第三人称角色）；参考角色 memory | 视频 | 「infinite action-conditioned world rollout」；实验性 24-hour uninterrupted demo（2026-08-15） | 代码+权重（因果学生已释；双向 teacher 路线图待释） | Apache-2.0 | 论文：WorldRoamBench 等；他方 WBench 表有「ABot-World」行 | https://arxiv.org/abs/2607.19191 |
| HY-World 1.5 / WorldPlay | 腾讯混元 HunyuanWorld | 2025-12-17 开源；后续 2026 释训练/RL/量化 | WorldPlay-8B（HunyuanVideo 骨干，推荐）；WorldPlay-5B（WAN 轻量，VRAM 更友好） | Checkpoint 命名 480P-I2V | 官方：「24 FPS」长程流式 | 强调 real-time latency（系统级优化）；精确首帧毫秒数未核验 | Dual Action Representation：键盘/鼠标；pose string（w/s/a/d/up/down/left/right） | 视频（可接 3D 重建等应用） | 「long-term geometric consistency」；chunk=16 帧预测 + Reconstituted Context Memory | 代码+权重+训练/RL | Tencent HY-WorldPlay / Hunyuan Community License（非标准 OSI；有地域与 MAU 限制） | 论文自报重建/人评指标；WBench 他方表有「HY-World 1.5 ar-distill」 | https://github.com/Tencent-Hunyuan/HY-WorldPlay |
| HY-World 2.0 | 腾讯混元 | 报告/部分代码 2026-04-16；后续分模块开源 | 模块化：WorldMirror≈1.2B；HY-Pano-2≈80B；WorldStereo-2≈17B（非单一 DiT 参数） | 非「视频帧分辨率」主叙事；灵活分辨率重建（文档称约 50K–500K pixels 等） | 一次生成后消费级 GPU 实时渲染；非每帧 DiT 推演 FPS | 交互延迟取决于 3D 资产渲染路径，未给统一毫秒 SLA | 生成后：第一/第三人称探索 + 物理碰撞（产品页）；生成侧：文本/图/多视图/视频 → 3D | 3DGS / mesh / 点云（可导入 UE/Unity/Blender/Isaac） | 「Unlimited — assets persist permanently」（对比视频 WM「typically 1 min」） | 代码+权重（分模块陆续开源） | Tencent Community License（HF License.txt；含地域排除等） | 技术报告内相机控制/重建指标；非 WBench 视频导航同一赛道 | https://arxiv.org/abs/2604.14268 |
| EVOKE / Alaya-EVOKE（含 Evoke-Turbo） | Alaya Lab + USTC / Shanghai Innovation Institute 等 | arXiv 2026-08；WBench 入榜约 2026-08-14；Turbo 2026-09-11 | 14B（3-step CFG-free 学生；教师亦 14B Wan2.2 A14B 系） | 384×640 @ 24 fps 内容时钟 | 内容 24 fps；单卡 H200：1.5 s chunk / 2.11 s（≈0.71×实时）；五卡 H200 UI 平均 1.34 s/1.5 s chunk（2026-09-12） | 以 chunk 延迟计：单卡约 2.11 s/1.5 s；非「首帧 1.2 s」同口径 | 相机 6DoF + 中途 per-chunk prompt（evocation）；t2v/i2v/v2v | 视频 + 外部 world state bank（几何） | 「hours」「endless / open-ended」；演示含 两小时不中断；记忆库保留窗口有界（如 hour-scale 配置约 90 s 几何） | 代码+权重 | 代码 Apache-2.0；深度后端 ViGeo/DA3 为 CC-BY-NC-4.0（更严） | 团队自述：WBench 三步 SOTA；Evoke Avg 80.82，Evoke-Turbo Avg 82.0；另报 VBench-2.0/Long（协议有偏差声明） | https://evoke-world.github.io/Evoke/ · https://arxiv.org/abs/2608.13546 |
| Atlas | World Labs（李飞飞团队） | 2026-09-01 博客发布 | 未公开 | 相机控制生成：最高约 1440p、最长约 1 分钟视频 | 未公开/未核验实时交互 FPS | 未公开/未核验 | 像素级相机几何原生输入；空间 context 摆放参考图 | 文本/图像/视频/深度 → 视频 + 点云 / 3DGS；全向图等 | 「up to 1 minute of video at 1440p」；重建/仿真为持久 3D 资产路径 | 否（Early Access / 合作伙伴） | 专有 / 未公开发布许可 | 博客自报相机控制人评与稀疏重建误差优于专项模型（非 WBench 公开复现） | https://www.worldlabs.ai/blog/atlas |
可选参考行（基线）
| 名称 | 机构 | 公开时间（约） | 参数量 | 分辨率 | 帧率 FPS | 首帧/交互延迟 | 控制方式 | 模态 | 时长能力 | 开源 | 许可 | 评测 | 主链接 | 备注 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Yume-1.5（参考） | 上海 AI Lab / 合作者（论文作者 Mao et al.） | arXiv 约 2025-12；CVPR 2026 | 报道约 5B（以论文为准） | 训练侧曾见高分辨率设定；推理常见约 540p 量级（以论文为准） | 文献/综述常见约 12 FPS（单 A100） | 未核验到统一官方毫秒 | 文本控制事件 + 键盘交互 | 视频 | 短–中程交互（相对「小时级」更短） | 有开源线索 | 以仓库为准 | WBench 他方表有 Yume 1.5 行 | https://arxiv.org/abs/2512.22096 | 文本事件强，实时弱于 20+FPS 阵营 |
| minWM（参考） | MIN-Lab 等（清华系 Causal Forcing 相关） | 框架 2026-05；报告 arXiv:2605.30263 | 框架：示例骨干 Wan 1.3B / HY 8B，非单一产品模型 | Wan demo 约 832×480 | 4-step DMD 实时路径；具体 FPS 依赖硬件 | 报告讨论首帧延迟量级（约秒级，配置相关） | 相机 pose string / JSON | 视频训练框架 | 取决于蒸馏学生 | 框架代码 Apache-2.0；HY 衍生权重受腾讯社区许可约束 | 框架许可见 NOTICE | 教学/复现基线，非整机产品 | https://github.com/shengshu-ai/minWM | 「框架而非单一模型」 |
| MineWorld（参考） | 学术论文（arXiv:2504.08388） | 2025 | 300M / 700M / 1.2B 等变体 | Minecraft 域 | 文献称 1.2B 约 3 FPS 量级 | 未核验 | Minecraft 动作 | 视频（游戏域） | 游戏会话级 | 论文称 open-source | 以仓库为准 | Minecraft 专用基线 | https://arxiv.org/abs/2504.08388 | 域窄，非通用开放世界视频 WM |
| Genie 3（参考） | Google DeepMind | 2025 发布叙事；持续更新 Project Genie | 未公开 | 720p | 官方页：20–24 FPS | 未公开 | 文本建世界 + 实时探索；promptable world events | 视频（封闭服务） | 「several minutes」一致性；记忆交互约「up to a minute」；「few minutes」而非 hours | 否 | 专有 | WBench 他方表有 Genie 3 行（约 Avg 73.9，非 DeepMind 官方提交口径） | https://deepmind.google/models/genie/ | 闭源实时画质标杆 |
| Dreamer 4（参考） | Google DeepMind 等（论文 Training Agents Inside of Scalable World Models） | 2025 | 报道约 2B 级（tokenizer+dynamics 拆分，以论文为准） | Minecraft 等 | 论文口径单卡 >20 FPS 量级 | 面向智能体训练，非消费级交互 SLA | 键盘/鼠标（Minecraft） | 潜空间 WM + 智能体 | 任务回合级 | 研究代码视仓库而定 | 以论文为准 | Minecraft 钻石等智能体指标 | https://arxiv.org/abs/2509.24527 | 智能体世界模型基线，非 Genie 类像素实时产品 |
怎么读这张表
- 偏「实时游戏式推演」：优先看单卡/少卡可跑、键盘动作闭环、延迟有数字的条目——如 ABot-World-0（5090 / 16 FPS / 1.2 s）、Matrix-Game 3.5/3.0（720p 流式）、Zing-0.5（动作+改 prompt 双控、Apache 友好）、HY-World 1.5（24 FPS 流式）。注意「营销 FPS」与「开源脚本默认分辨率」可能不一致（典型：LingBot-World 2.0 宣称 720p@60，开源示例多为 480P）。
- 偏「全模态可进入媒体」：目前几乎只有 Echo-WM 官方明确 视频+环境音+音乐+语音 同生；代价是许可偏 LTX 社区非商用，且公开 Base 时长约 10 s、Flash 仍是 preview。
- 偏「真 3D / 可导入引擎」：HY-World 2.0 与 Atlas 走 3DGS/网格/点云；前者开源模块可落引擎，后者 Early Access。不要用视频 FPS 列直接横向对比它们——交互帧率来自渲染器而非自回归 DiT。
- 偏「超长程一致性 / 小时级」：团队口径上 EVOKE（hours + 外部几何记忆）、LingBot 2.0（unbounded/hour）、ABot（infinite + 24h demo）更激进；Genie 3 官方自己写的是 数分钟级。选型时区分「内容时钟 24fps」与「生成是否跑赢实时」。
- 工程落地还要看许可：Apache-2.0（Zing、ABot、Matrix-Game 3.5、EVOKE 代码、LingBot 1.0）最利于商用集成；CC BY-NC-SA（LingBot 2.0）、腾讯 Community License（HY 系列）、LTX Community（Echo-WM）、闭源 Early Access（Atlas / Genie 3）会直接卡产品路径。
数据可信度
| 可信度层级 | 覆盖内容 |
|---|---|
| A. 官方主文档可核验 | 参数量、开源与否、许可名、控制键位、模态声明、分辨率命名（如 480P/720p checkpoint）、ABot 的 16 FPS / 1.2 s / 19 GiB、EVOKE 的 384×640 / 2.11 s per 1.5 s chunk、LingBot 1.0 的 16 FPS / <1 s、Genie 3 页的 720p / 20–24 FPS / minutes、Atlas 页的 1440p / 1 min / Early Access、HY-World 2.0「持久 3D 资产」叙事。 |
| B. 团队自述榜 / 论文自报（未独立复现） | Zing「WBench 实时第 1」、Echo-WM「WBench Nav Avg 81.7 第 1」、EVOKE/Turbo「WBench SOTA / 82.0」、LingBot 2.0「720p@60 / unbounded」、Matrix 3.0「40 FPS@8+1 GPU」、Matrix 3.5 媒体「单卡约 20 FPS」、Atlas 博客人评/重建表、各论文内消融与自建 bench。引用时请标注「团队自述」。 |
| C. 未公开 / 未核验（表中已留空或写明） | 多数模型的精确首帧延迟；Echo-WM / Atlas / Genie 的参数量；Zing / Echo 的官方单卡实时 FPS 数字；第三方中文稿对 Zing「5090>24FPS」等未回指官方主文档的说法——本表未采信为官方规格。 |
| D. 口径陷阱 | 「24 FPS」可能是导出视频帧率而非生成吞吐；「分钟级 / 小时级 / infinite」多为一致性宣传口径，受滑动窗口、记忆库保留、蒸馏步数与硬件强约束；WBench 分数存在非逐步数对齐、自测 vs 提交差异（EVOKE 论文已声明协议偏差）。 |
来源备忘（便于复核）
- Zing: GitHub
seedleap/zing-world-model, HFseedleap/zing-0.5 - LingBot 1.0 / 2.0: arXiv:2601.20540, arXiv:2607.07534, GitHub
Robbyant/lingbot-world(-v2) - Matrix-Game 3.5 / 3.0: arXiv:2608.29910, matrix-game-v3-5.github.io, matrix-game-v3.github.io
- Echo-WM: arXiv:2608.23189, HF
Echo-Team/Echo-WM,jd-opensource/JoyAI-Echo - ABot-World-0: arXiv:2607.19191, HF
acvlab/ABot-World-0-5B-LF - HY-World 1.5 / 2.0: GitHub
Tencent-Hunyuan/HY-WorldPlay,HY-World-2.0, arXiv:2604.14268 - EVOKE: arXiv:2608.13546, evoke-world.github.io, HF
AlayaLab/Evoke - Atlas: worldlabs.ai/blog/atlas
- 参考: Genie 3 deepmind.google/models/genie；Yume arXiv:2512.22096；minWM arXiv:2605.30263；MineWorld arXiv:2504.08388；Dreamer 4 arXiv:2509.24527