VAST开源实时世界模型EdenLive：单卡5090跑24帧，一句话生成能玩的3D世界

10 月 18 日，AI 3D 公司 VAST（三启万物）发布并开源其实时世界模型 EdenLive——Project Eden 系列中的实时生成式渲染器。模型权重、流式推理代码、配套智能体技能和前端工作台一次性放出，Apache-2.0 协议允许商用。官方数据显示，5B 版本在单张消费级显卡 RTX 5090 上能以超过 24 FPS 的帧率持续生成 720P 画面，支持分钟级连续生成，从用户操作到画面出现的端到端延迟为百毫秒级。

边玩边生成的世界，规则却不归模型管

在游戏里走到一扇门前，玩家通常会先转身退两步、再跳两下试试能不能翻过旁边的墙。这些临时起意的操作，正是对生成式模型的严苛考验：如果眼前的画面全部由 AI 实时生成，模型就得跟上玩家的每一次突发动作，每一帧都不能掉线。

EdenLive 的思路是"分工合作"：游戏规则和世界状态不在模型里，模型只管画面。玩家按下攻击键，最先工作的并不是 EdenLive——这一脚有没有踢中对手、该扣多少血、角色移动到了哪里，都由上游交互系统判断并更新到游戏状态里；交互系统再把更新后的状态转成灰盒画面与场景描述，交给 EdenLive 实时渲染出精细的视觉效果。用官方的话说，就是"规则归交互系统，画面归模型"。

这套架构源自 VAST 今年 5 月发布的 Project Eden 三层设计：持续演化的世界状态记录物体位置、交互规则和动作后果；状态到画面的接口把当前状态转换成某个视角下的布局、几何与事件约束；生成式渲染器根据这些约束生成高保真画面。EdenLive 实现了后两层，不限定第一层。视频模型擅长生成看起来合理的画面，却无法独自维护血量、碰撞、物体身份和胜负条件，把确定性状态留给上游、视觉呈现交给生成模型，恰恰解决了视频模型不擅长长期保存规则的短板。

三类输入各司其职，一段白模也能换百种画风

EdenLive 的三类输入分工明确：参考视频决定场景布局、镜头运动、物体轨迹和事件发生的时间；目标首帧确定主体、材质、配色和画风；文本提示词补充风格和细节，交互中还能在事件发生时追加一句描述。

参考素材的门槛极低——一个粗糙的 3D 白模、一段 2D 场景、甚至一段已有录像，都能提供结构和运动。同一段参考，换一张首帧、改一句提示词，就能在写实、手绘线稿、卡通、像素、油画之间随意切换，而布局和运镜保持不变，这为导演和概念设计师提供了在同一个场景上比较不同材质、光照与配色的可能。镜头离开一处再转回来，参考里的结构还在原处，模型按同样的结构继续渲染，不必从过去的画面里重新推测。

评测：14B 与 5B 包揽五维度前两名

在长时生成这一实时交互的命门上，EdenLive 用 Gemini-3.8-Flash 对 45 个长时案例做了两两盲评——每组交换顺序各评一次，再按维度计算 Elo 分数。在参考遵循、首帧一致性、物理合理性、画质和避免外观泄漏五个维度上，EdenLive 14B 和 5B 全部包揽第一、第二。以参考遵循为例，14B 得分 1704，比对比方案 AgentGarten 高出约 200 分。

与离线视频生成模型"先拿完整输入、再整段生成"不同，EdenLive 能追着不断变化的参考画面往前走，这也是它能接入实时交互的根本原因。

整条链路全部开源：从一句话到能玩的游戏

此次开源的内容覆盖了完整链路：

  • 5B、14B 两档模型权重，各含双向生成与少步流式两个版本；
  • 实时流式推理代码；
  • EdenGolem v0.1——面向编程智能体的 skill，输入一段玩法描述，智能体便分四个阶段依次完成玩法设计、场景搭建、交互逻辑实现与界面完善，生成可独立运行的 3D 灰盒游戏，已支持解谜、射击、驾驶、冒险、竞技场、格斗等类型；
  • 串起"文字描述→可玩游戏→实时渲染"的前端工作台；
  • 完整技术报告。

叠加此前以 Tripo 为代表的累计 30 多个开源项目，VAST 把"资产生成、玩法原型、实时渲染"三段全部开放，成为目前最接近"游戏创作全链路开源"的一套公开件。对没有美术班底的独立团队，这相当于把"灰盒验证玩法"和"精修画面"两道工序并成了一道。

不止游戏：画风转换与具身数据增强

除了跟随玩家操作生成画面，EdenLive 也能理解现实素材并完成转换。前阵子爆火的真人"闪身步"视频就是一例：构图和运镜原样保留，人物、场景与笔触整体动画化——模型沿着原视频的动作和空间关系重生成每一帧，而不照搬其质感。

更容易被忽略的用途是具身数据增强。机器人训练不缺"人类怎样擦桌子"的知识，缺的是"从机器人的眼睛看出去，机械手怎样靠近物体并完成动作"的素材。真人录像里出现的是人手和五指，机器人部署时看到的却是机械臂和夹爪，两者的外形、运动范围和遮挡方式都不同。EdenLive 可以把真人的手替换成机械手——拿水壶的动作、水壶与桌面的相对位置、第一人称镜头的移动全部保留，只把执行者换成机械臂，帮助模型适应"机器人看到的画面"。

官方自己列出的短板

VAST 对能力边界说得很克制：现阶段更适合场景漫游、推箱子这类交互低频的玩法，多个角色同场时的身份保持、小物体的精细控制、长时间生成中的视觉一致性都还有提升空间——平台跳跃、格斗、演出密集的 RPG 暂不在能力圈内。硬件门槛同样存在：官方口径里的"消费级显卡"指的是单机顶配 RTX 5090，开源消除了许可成本，推理算力的账一分没少。

伴随发布，VAST 还启动了面向全球青年算法与研究人才的 V·STAR 顶尖人才计划，招募方向覆盖 3D 生成模型、3D 理解与 Agentic AI、世界模型三个方向。

过去的世界模型演示，往往用一段视频证明模型能够想象一个世界；EdenLive 把这件事推进到了实时、可交互、可复现的一步。世界模型不缺演示，缺的是用法——而当更多人把自己的代码、场景和参考画面接进来，这套技术才可能真正长成可用的创作工作流。