VAST 开源 EdenLive：一句话生成能玩的世界，5B 模型在单张 5090 上跑 720P 超 24 帧

在游戏里走到一扇门前，你不确定能不能进去，通常会先转身走两步，再跳一下，看看能不能翻过旁边的墙。这些动作毫无意义，却极其真实——玩家就是这样不断试探边界的。

如果眼前的画面由 AI 实时生成，模型就必须跟上每一次临时起意：突然停下、突然转身、突然跑跳，每一帧都要稳定在线。这正是 VAST 开源的实时世界模型 EdenLive 想解决的问题。

一分钟速览

• VAST 开源 Project Eden 系列中的实时生成式渲染器 EdenLive。
• 规则与状态由上游交互系统维护，模型只负责把状态渲染成画面。
• 参考视频决定布局、镜头、轨迹与事件时间；目标首帧决定主体、材质、配色与画风；文本提示词补充细节。
• 白模、2D/3D 场景、真实录像都能作为参考，同一参考换首帧即可切换写实、线稿、卡通、像素、油画等风格。
• 5B 模型在单张 RTX 5090 上以超过 24 FPS 生成 720P 画面，支持分钟级长时生成。
• 在 45 个长时案例的盲评中，14B 与 5B 在参考遵循、首帧一致性、物理合理性、画质、避免外观泄漏五个维度排名前二。

把“规则”和“画面”拆开

实时世界模型最容易走进的误区，是让模型同时负责“世界怎么运转”和“世界长什么样”。前者需要严格的物理与游戏逻辑，后者需要审美与生成能力。把两者塞进一个模型，结果是规则不稳定、画面也不可控。

EdenLive 的分工很明确：交互系统维护白模、角色位置、镜头参数和事件状态，把这些转换成灰盒画面与场景描述，再交给生成模型渲染。模型不决定门能不能打开，只决定门看起来是木头的、金属的，还是被藤蔓覆盖的。这个边界一旦划清，生成就不需要“猜”物理，只需要“画”结果。

三类输入，各管一件事

参考视频负责结构与运动：场景布局、镜头怎么走、物体怎么动、事件在什么时候发生。目标首帧负责外观：主体是谁、材质是什么、配色和画风如何。文本提示词负责补充：光线的质感、天气、情绪，以及交互过程中临时追加的描述。

这种拆分带来的直接好处是可控。过去用一句话生成视频，用户很难指定“保持这个镜头运动，但把场景换成赛博朋克”。现在参考视频锁住运动，首帧锁住风格，提示词只做微调，三者互不打架。对内容生产者，这意味着生成结果更接近分镜，而不是抽卡。

24 帧是实时交互的门槛

视频生成模型通常离线运行：输入完整提示，等几分钟，输出一段成片。实时交互的要求完全不同——用户每按一次键，画面必须在几十毫秒内响应。24 FPS 是流畅体验的底线，720P 是当前消费级显卡能承受的合理分辨率。

5B 模型在单张 RTX 5090 上达到这个指标，意义不在于“能跑”，而在于“能在家用设备上跑”。这让实时世界模型从云端 demo 变成可本地部署的工具：游戏开发者可以在自己的机器上预览，具身智能团队可以在实验室里做数据增强，不必每次都排队等算力。

盲评第一，说明的不只是画质

VAST 披露的评测使用 Gemini-3.8-Flash 对 45 个长时案例做两两盲评，每组交换顺序各评一次，再按维度计算 Elo。EdenLive 14B 与 5B 在参考遵循、首帧一致性、物理合理性、画质、避免外观泄漏五个维度排在前二；14B 的参考遵循得分 1704，比 AgentGarten 高约 200 分。

“参考遵循”和“首帧一致性”比画质更能说明问题。前者衡量模型有没有按用户给的轨迹走，后者衡量生成过程中主体会不会变形。长时生成最容易翻车的地方，就是几分钟后画面“漂”了：人脸变了、场景结构散了、光影跳了。能在这两项上领先，才谈得上可用于生产。

开源会改变什么

世界模型目前是少数几家大厂的竞技场，模型权重、训练代码、推理优化大多闭源。VAST 把整条链路开源，等于把“实时生成式渲染”从黑箱变成可复现的工程 baseline。对研究者，这是可以拿来改的起点；对开发者，这是可以接进自己引擎的组件；对游戏与影视行业，这是一次重新分配制作成本的机会。

当然，开源不等于可用。显存、延迟、长时稳定性、与主流引擎的集成，仍需要大量工程。真正的分水岭是第一个用它做出可玩 demo 的团队，而不是论文里的分数。

趋势洞察

生成式 AI 正在从“生成内容”走向“生成环境”。图片和视频是单向的，世界模型是双向的：它会响应你的动作，也会拒绝你的动作。当这种能力足够实时、足够稳定，游戏、影视预览、机器人仿真之间的边界会变得模糊。EdenLive 的开源，把这场竞赛的起跑线往前挪了一截。