蚂蚁集团联合西湖大学、浙江大学推出的 Code World Model 2.0,新增被称作 “生成式显卡” 的 Invoker-Render 视觉引擎,顺利完成 30 分钟一镜到底的连续交互式画面演示,解决了过去很多 AI 世界模型长时间生成时物体变形、画面崩坏、身份错乱的常见问题。传统视频型世界模型直接靠像素生成画面,一旦长时间连续推演,很容易出现物体样子乱变、场景逻辑跑偏的情况,很难兼顾精准操控和画面稳定。而 Code World Model 2.0 把世界逻辑和画面渲染拆成两部分,先用代码维护虚拟世界里物体位置、运动规则、场景状态,再输出轻量化的结构化 Proxy 信息,交给 Invoker-Render 引擎转换成高清画面,做到规则和渲染分开处理。整套运行流程会先接收用户的操作指令,由代码模块更新世界内部状态,生成 Proxy 中间表征,再送入生成渲染引擎输出图像,全程不用中途重置场景、切断镜头,就可以长时间持续生成交互画面。这次 30 分钟赛车场景的长时演示,验证了这套架构在长时序下的一致性控制能力,后续这套方案还会继续优化,拓展到虚拟仿真、AI 智能体训练、数字内容创作等方向。
核心模块说明
- 代码世界大脑:负责维护虚拟世界规则、物体状态、运动逻辑,持续更新世界的底层数据
- Invoker-Render(生成式显卡):核心渲染引擎,读取 Proxy 结构化信息,生成高保真连续视觉画面
- Proxy 中间表征:简化的场景结构信息,记录物体、镜头、运动参数,不存储完整像素,降低长时生成负担
完整运行步骤清单
- 接收手柄、键盘等外部交互操作指令
- 代码模块根据指令更新虚拟世界所有实体的状态与运动逻辑
- 把更新后的世界状态转换成轻量化 Proxy 结构化表征
- Invoker-Render 读取 Proxy,生成对应高清画面帧
- 持续循环上面流程,不中断、不重置场景,实现长时一镜到底生成
和老版本相比的提升点
- 新增专门的生成渲染引擎,分离逻辑计算和画面渲染,稳定性大幅提升
- 支持半小时不间断连续生成,物体外观、场景结构不容易出现错乱
- 控制精度更高,用户操作和画面反馈的同步性更好
- 更容易扩展复杂场景,适合长时间交互仿真演示
【常见问题】
问题 1:Code World Model 2.0 里说的 “生成式显卡” 指的是什么?
回答 1:Code World Model 2.0 里的 “生成式显卡” 就是 Invoker-Render 视觉渲染引擎,它负责接收 Proxy 结构信息,把虚拟世界状态转换成连续高清画面,和传统显卡光栅渲染思路不一样,是 AI 原生的生成式渲染组件。
问题 2:Code World Model 2.0 实现 30 分钟一镜到底是什么意思?
回答 2:Code World Model 2.0 的 30 分钟一镜到底,代表模型可以连续不间断生成半小时交互式画面,中途不用切镜头、重置场景,全程保持物体、场景的一致性,不会出现 AI 常见的画面崩坏、物体乱变的现象。
问题 3:Code World Model 2.0 适合用在哪些场景当中?
回答 3:Code World Model 2.0 可以用于长时虚拟仿真环境搭建、AI 智能体训练沙盘、交互式数字内容生成、AI 游戏原型开发等场景,依靠代码驱动世界、生成引擎出画面的模式,支撑长时间连续交互。
【参考资料】
[2026-11-18](给世界模型装上 “生成式显卡”!Code World Model 2.0 实现 30 分钟一镜到底)凤凰网科技
[2026-09-07](虚幻引擎 CEO 围观最新世界模型:代码驱动,视频模型生成画面)36 氪
【免责声明】
本文仅为 Code World Model 2.0 技术科普整理,相关技术仍处在研究演示阶段,暂不代表成熟商用产品;演示效果为特定场景下测试结果,不同硬件、场景下表现存在差异;技术细节、开放计划以蚂蚁集团、西湖大学、浙江大学官方发布为准。
