Viggle发布JST-2世界基础模型：不画像素改建原子，1秒生成3D场景成本不到1美分

10月19日，以"一张图让角色跳舞" meme 应用走红的 Viggle 发布新一代基础模型 JST-2，官方称之为"物理原生世界基础模型"（Physics-Native World Foundation Model）。它不再像传统视频模型那样逐帧预测像素，而是直接在 3D 空间中构建场景、角色与动作的共享世界表示。官方数据显示：生成一个 3D 场景约需 1 秒，单次推理成本低于 0.01 美元，用户可通过浏览器端 PINOC 免费体验，也可经 API 与 MCP 接入。

把世界拆成"原子"，而不是帧

JST 是 Joint Space-and-Time（时空联合）的缩写。按照官方发布文章的解释，JST-2 把世界表示为"3D 空间中的持久原子"：每个原子是一块物质或物体的一部分，拥有显式的 xyz 坐标，以及通过学习得到的属性向量与动力学向量。关键在于，原子在移动、变形过程中始终保持自身身份——这正是"物理原生"的含义：物理结构不是从像素外观间接学出来的，而是模型表达方式的出发点。

整个流水线分三段：编码器（Encoder）把一张或多张场景输入图像映射为 Physics-Native Tokens；生成器（Generator）根据多模态提示词直接产出同样的 tokens；解码器（Decoder）接收 tokens、视角与可选的运动或力输入，输出图像或 3D 高斯泼溅（Gaussian Splats）。Viggle 称从编码器到训练管线的全栈均为自研。

1 秒一个场景，成本是竞品的百分之一量级

速度与成本是这次发布最抓眼球的数字：在 NVIDIA B200 上，JST-2 生成一个 3D 场景约 1 秒、推理成本低于 1 美分（不含网络延迟）。作为对比，官方发布文章提到 World Labs 的 Marble 生成同类场景约需 5 到 6 分钟。需要说明的是，Viggle 自己也承认这不是"同等保真度"的对比，Marble 的硬件与计时口径并未公开。

工程细节上，JST-2 最多支持 64 个输入视图作为"空间上下文窗口"，每增加一个视角就为世界补充一份上下文，支持逐步扩建同一片场景；生成结果以高斯泼溅形式在浏览器本地渲染，换个角度探索场景无需重新跑模型。它还能从稀疏的真实世界视角重建 3D 环境，官方点名机器人仿真、自动驾驶、测绘与建筑施工为潜在应用方向。

角色、动作打包在同一个模型里

JST-2 的另一卖点是"三件套一体化"：场景、角色、动作不再是三个互不相通的模型各管一段。角色生成出来即"动画就绪"，不需要单独的绑定（rigging）步骤；动作可以由文本描述直接生成，也可以从一段视频中重建——模型会自行推断被遮挡身体部位的运动方式。生成的人物动作可直接套用在 JST-2 生成的角色上，无需重定向（retargeting），同时兼容标准 3D 角色骨骼。

Viggle 还公布了自家的盲测对比：角色生成整体指标领先参评模型，面部细节与动画就绪度偏好分尤其突出；文本生成动作对比 Cartwheel Swing 与 HY-Motion-1.0，视频转动作对比 Cartwheel Comic 4 与 DeepMotion Animate 3D，JST-2 在手部动作、提示遵循与复杂运动重建上占优。当然，这些都是厂商自评，尚未经过独立验证。

"物理原生"不等于"解决了物理"

诚实的部分同样值得记录：目前 JST-2 的场景碰撞与物体交互仍依赖规则式物理引擎——两个物体撞在一起，后果并非模型从第一性原理学出来的。Viggle 明确表示，下一代的 JST-3 目标才是用学习到的动力学取代这些规则，让模型自己预测物体如何相互作用、并如何改变周围世界。

Viggle 成立于 2022 年，前两年打磨的 JST-1 撑起了那款用户破 5000 万的 meme 应用；JST-2 则从 2024 年研发至今。此次发布恰好赶在世界模型竞赛升温的当口：几天前 Google 刚推出用自然语言做游戏的 Playground，Unity 也宣布了 Spark 创作层，Runway 的 GWM Worlds 2 走连续视频流路线，VAST 的 EdenLive 则选择重绘游戏引擎的粗渲染。JST-2 押注的是另一条路——直接生成可交互的 3D 世界本身。

对小团队而言，这类模型改变的是生产管线：不会建模的人可以先生成一个起始环境，不会绑定的可以直接拿到动画就绪的角色，没有动捕设备的用文字或手机视频就能生成动作。美术的活不会消失，只是重心从"花三天做出能用的版本"转向"花三天把 AI 秒出的版本改到令人难忘"。