它不会算血条，这是它的优点

2026-10-19 · 人工智能

10 月 18 日，一家叫 VAST 的公司把一个叫 EdenLive 的模型开源了。

官方给出的数字是：单张 RTX 5090，720P，5B 模型，每秒 24 帧以上，可以连续跑几分钟，从按下按键到画面出来，延迟在百毫秒量级。

24 帧不算高。那是电影的帧率，游戏玩家听到这个数字会皱眉。但这件事的重点不在帧率。

重点在他们决定让这个模型少做一件事。

一、世界模型现在有个通病

过去一年，「世界模型」被说得很大。生成一个世界，让智能体在里面跑，听起来像是给 AI 造一个可以练习的操场。

做起来就露馅了。

一个视频模型如果要同时干两件事——想清楚世界怎么运转，再把画面画出来——它会先崩在前一件上。角色的位置、碰撞、血量、技能冷却、任务进度、胜负判定，这些东西不是像素，是规则。让扩散模型从画面里「悟」出规则，等于让它猜。

猜错的代价是累积的。跑到第两百帧，血条和实际伤害对不上，整个世界的账就乱了。

EdenLive 的做法很朴素：不猜。

二、规则归程序，画面归模型

他们把这件事拆成两半。

上游是一段程序，可以是代码智能体现写的，也可以是游戏引擎。它负责所有讲道理的部分：角色在哪、攻击有没有命中、血量怎么变、任务走到第几步。它每一帧吐出一张简化过的参考画面——方块人、色块、粗糙的几何体，能看出布局和运动就行。

下游是 EdenLive。它拿到这张粗糙的参考流，加上两张「说明书」——一张目标首帧决定整体画风，一段提示词补充细节——然后持续输出精细画面。

官方管这个叫 proxy-to-fine：从简化参考到精细画面。

我在项目页上看到一句话，是整篇技术文档里最锋利的一句：

规则、碰撞、状态与反馈全程由上游控制，因而与视频扩散模型解耦——这恰恰是纯粹由动作条件驱动的世界模型最不擅长维持的那一类信号，包括血条、技能冷却、NPC 状态、以及成功或失败的反馈。

换句话说，他们承认了模型算不出血条，然后把它从职责里划掉了。

三、把「外观」从参考里剥掉

这套分工有个技术上的难点，我觉得比帧率有意思。

你要让模型跟着参考画面的走位走，但不能跟着它的长相走。方块人必须是方块人的动作，写实人的脸。这两件事在数据里是缠在一起的。

他们的解法是训一个「结构-运动编码器」，专门从参考里抽出布局、相机、运动，把外观信息扔掉。于是同一段方块打斗，可以渲染成写实、二次元、油画，随便换。

配套的是一套配对数据：2D/3D 简化场景、引擎渲染出来的画面、真实录制的视频，两两对齐，覆盖不同的几何精度。这样模型才不会被「参考必须是某种渲染管线产出的」这件事绑住。项目页特意强调了一句：不要求参考带 G-buffer。

实时性靠蒸馏。多步扩散模型被压成少步的、按块自回归的流式生成器。服务端再把三件事排成流水线——程序模拟、参考编码、画面生成——外加一个块的前瞻，这样才敢说「实时」。

四、开源了什么

我翻了一下仓库，开出来的东西不算藏着：

5B 和 14B 两档权重，各有双向和少步两种推理版本；实时流式推理代码；一个叫 game-prototype-turbo 的技能，能把一段文字直接变成可玩的粗糙游戏；还有一个前端，把「提示词→游戏→实时渲染」整条链路串起来。协议是 Apache 2.0。

权重加起来约 210 GB。里面能看到 Wan2.1 和 Wan2.2 的 VAE、UMT5 文本编码器、一个 FLUX 的 LoRA 树。这个底座算是把话说明白了：不是从零造轮子，是在开源视频生成的地基上做工程。

有几件事得打个折。

「消费级显卡」这个说法，指的是 5B 模型跑 720P 那一档。仓库里写的验证环境是 Linux x86-64、80 GB 显存的 NVIDIA 卡、CUDA 13、PyTorch nightly，默认配置还要 FA4 和 SM90。想在自己那台 5090 上跑通，得先解决一堆环境问题。

官方自己列的短板也很实在：高频、激烈的交互跟不上；多个角色同时出现时身份保持不稳；小物体控制不精细；长时间生成的视觉一致性还会飘。

这些不是小毛病。格斗游戏里两个角色贴脸互殴，正好踩在前两条上。

五、我以前想错的一件事

我一直以为世界模型的方向是「越大越全」——一个模型把物理、规则、外观全吃下去，最后变成一个可以运行的世界。

EdenLive 走的是反方向：把能力减掉，减到只剩渲染。

这个选择在工程上其实更聪明。游戏引擎维护世界状态维护了四十年，物理、碰撞、任务系统都成熟得不能再成熟。让一个扩散模型去重学一遍，学得还没它准，这是浪费。

模型该干的是它独有的那件事：把方块画成人。

六、最后

小时候玩红白机，屏幕上就是几个色块。跳起来踩蘑菇，全靠脑补。那时候最想要的是一个能把画面补全的东西。

现在有了。左边是方块人在打，右边是两个人。中间隔着一帧生成。

三十年前那一步是我脑子里走的，现在它由一张显卡来做。规则还是那套规则，一个像素都没变。

信源：VAST 项目页 vast-eden.ai/?p=edenlive；代码 github.com/VAST-AI-Research/EdenLive（Apache 2.0）；模型权重 huggingface.co/VAST-AI/EdenLive；技术报告 assets.vast-eden.ai；量子位 2026-10-18。