Runway 发布首个世界模型 GWM-1

背景

世界模型（world model）是一类被训练来预测环境如何随时间变化的系统：给定一个场景当前的状态和作用于它的动作，模型估计接下来会发生什么。这与语言模型的工作方式不同，它要预测的对象是一个被模拟世界的状态，而不是句子里的下一个词。Runway 表示，它在 GWM-1 之前两年就提出了「通用世界模型」（General World Models）这一研究方向 ^[2]。公司认为，仅靠语言模型无法解决机器人、疾病或科学发现方面的问题，世界模型则为通用模拟提供了最清晰的路径 ^[2]。这套说法使这次发布不只是一次产品上线，更是对下一阶段 AI 研究依托何种模型所做出的判断。

发布内容

2025 年 12 月 11 日，Runway 发布 GWM-1，将其描述为可实时模拟环境的通用世界模型 ^[1]。该模型分为三个版本：Worlds、Avatars 与 Robotics ^[1]。它基于 Gen-4.5 构建，可生成 720p 视频，时长最长 2 分钟 ^[1]。在 GWM-1 之外，公司同时为 Gen-4.5 发布了原生音频与多镜头编辑功能 ^[1]。

关键细节

三个版本名 Worlds、Avatars、Robotics 指向模拟环境可能被使用的三类场景，发布信息把它们作为同一个模型家族呈现，它们基于同一套基础模型，而不是彼此独立的产品 ^[1]。公开的技术指标很具体：720p 分辨率，单段视频最长 2 分钟 ^[1]。这两项对模拟而言都很关键，因为它们限定了场景能容纳多少细节，也限定了单段内容能保持多长时间的一致，而这又会限制使用者或机器人策略能从中获得什么。

实时运行是另一项被明确提到的特性 ^[1]。让画面生成得足够快、跟得上正在发生的事件，与事后产出一段精致的视频是两种不同的要求：它意味着模拟环境可以在有人与之交互时作出反应，而这正是模型被当作物理世界的替身用于训练或测试时最需要的性质。

GWM-1 建立在公司已有的生成模型 Gen-4.5 之上，同一次发布也为这一基础模型增加了原生音频与多镜头编辑 ^[1]。原生音频意味着声音在生成过程中一同产生，而不是事后叠加；多镜头编辑意味着同一段内容可以在同一套流程里由多个镜头组接而成 ^[1]。

意义

世界模型之所以受到关注，是因为物理系统和生物系统往往昂贵或根本无法直接做实验。如果一个模型能够足够忠实、足够快速地模拟某个环境，它就可以成为试错的地方：机器人可以在不反复损耗真实硬件的情况下接受训练或评估，科学和工程上的想法也可以在投入资源之前先被探索。Runway 表达的正是这个立场：仅靠语言模型无法解决机器人、疾病或科学发现的问题，世界模型为通用模拟提供了最清晰的路径 ^[2]。

公司把提出研究方向与交付 GWM-1 之间的两年间隔摆出来，相当于把这次发布定位为把一份研究议程变成可用模型家族的一步 ^[2]。

作为一类技术，世界模型仍有未解的问题：让模拟场景在长时间内保持一致，让物理行为正确而不只是看起来合理，以及覆盖系统真正出错的那些罕见情形。看待这次发布时应当记得这些难点，并关注模型在公司之外的使用者手中表现如何。