Runway 发布 GWM Worlds 2 实时交互世界模型

背景

生成式视频系统通常从一段提示词开始，最后返回一段完成的视频。世界模型的做法不同：它维护一个可以探索、也可以在运行过程中被改变的模拟场景。Runway 于 2026 年 9 月 3 日发布 GWM Worlds 2，就是这一方向上的实例。^[1] Runway 将其称为研究预览（research preview），它扩展了 GWM Worlds，加入生成音频，以及更丰富的主体与场景控制。^[1]

模型做什么

GWM Worlds 2 把高保真视频与音频生成变成实时交互模拟。^[1] 用户先定义一个世界，指定它的环境、主体、视觉风格、物理规则和氛围。^[1] 这些选择决定了世界里有什么、看起来是什么样，以及它应当按照什么规则运行。世界定义好之后，用户通过自由文本动作和连续的镜头运动来操控它。^[1] 文本给出自然语言形式的指令，镜头运动则提供一条穿过场景的空间路径。两者合在一起，使交互成为生成过程的一部分，而不是只发生在最初的一次提示词上。

输出与交互

在用户探索时，模型生成连续的 720p 视频，帧率为每秒 24 帧，音频为 48,000 Hz。^[1] 视频和音频会随着用户探索世界而响应输入。^[1] 具体来说，720p 指画面的分辨率，每秒 24 帧指每秒钟产生多少帧视频，48,000 Hz 指音频采样率。视觉与音频输出的结合是这种交互模拟的核心：世界不仅被看见，也被听见，而且两路输出都跟随用户的操作。

为什么重要

Runway 把 GWM Worlds 2 定位为研究预览，因此它是一系列持续工作中的一步，而不是一个宣告完成的产品。^[1] 与 GWM Worlds 相比，它明确增加的进展是生成音频，以及对主体和场景更丰富的控制。^[1] 更广泛的意义在于它所展示的系统类型：视频与音频生成被用作一种可以由用户实时指挥的交互模拟。^[1] 用户不只得到一个生成结果；他们先定义一个世界，再用文本和镜头运动操控它。^[1] 这种转变把控制放在体验的中心，显示生成可以围绕一个可探索的世界来组织，而不是只围绕固定输出。