< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
与此同时，全球首款 ！中国团队把游戏世界模型塞进一张5090，还开源了
给视频模型套上Harness
量子位 | 公众号QbitAI
不er，印象中非常吃算力的「游戏世界模型」，居然就这样被塞进一张RTX 5090里了？！而且身上还挂着两个十分诱人的标签：
就在刚刚，昆仑万维旗下Skywork AI发布
Matrix-Game 4.0
「全球首款可在单张消费级显卡上实时运行的游戏世界模型」
快速翻到Demo，坦白讲480p的画质确实还有提升空间，但再看几秒：
值得一提的是，以前常见的游戏世界模型Demo，是玩家按一下方向键，模型接着往前生成画面。世界能逛，场景会动，但底下究竟有没有一套真正运行的游戏，不太好说。但Matrix-Game 4.0已经不太一样了。玩家中弹，先掉的是盾牌耐久；盾碎了，才开始扣血；等血量归零，游戏真就结束了。视频地址：https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
需要注意的是，好家伙，原来不只是画面在动，背后的游戏逻辑也跟着跑起来了啊。更离谱的是，这一整套没躺在什么豪华算力集群里。就一张RTX 5090。按下键，不到0.15秒画面就有反应；一秒能跑60帧；整套系统占用显存峰值约18.5GiB
让Coding Agent动动游戏代码，原本的计时赛，转眼就能变成拦截目标车辆的追击战。视频地址：https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
在这里要特别说明一下，一张卡，托起一局由AI实时画出来、又按代码规则运行的游戏。给视频模型套上Harness
其实，这一次，Matrix-Game 4.0没走寻常路。团队给出的核心判断是：
与其让视频模型隐式记忆世界，不如让游戏引擎显式维护世界。以谷歌Genie为代表的路线，率先让玩家走进AI实时生成的世界，走到哪里，模型就把画面生成到哪里。但世界能逛，不等于游戏能玩。画面偶尔多一棵树、少一扇窗，顶多让人出戏。可要是NPC的位置、玩家的血量、任务的输赢也由模型临场发挥，那还玩啥啊？？这样一来比画面穿帮更麻烦的，其实是规则脱缰。在团队看来，现阶段的视频生成更像一种「符际翻译」，负责把文字、动作和场景信息转成连续画面。「画」这件事，视频模型确实擅长。可过去常见的路线，偏要让它既记住整个世界，又算清游戏规则，还得不停往下生成画面。好家伙，一个模型直接身兼数职，短时间还能撑住，时间一长你懂的。。。所以到了Matrix-Game 4.0，团队干脆把活儿拆开：
游戏引擎负责把游戏跑对，视频模型负责把画面画好
这么一拆，世界状态就不再藏在模型生成的像素里，而改由代码明确记录。即使视觉生成偶尔出现偏差，也不会直接改写玩家血量、道具归属和任务进度等。「给视频模型套上Harness」
1、玩家先用自然语言说出想法，Coding Agent负责把它写成游戏代码；
2、游戏引擎当「裁判」，负责维护世界状态、执行游戏规则，并画出1份不会乱的结构草图；
大家要留意了：3、视频模型则当「画师」，照着草图实时生成最终画面。说白了就是，该确定的交给代码，该发挥的交给AI。至于这套分工效果如何，直接看Demo。最开始，引擎输出的还是一片由方块、骨架和简单地形组成的结构画面
看着多少有点「毛坯房」的意思。但人物在哪、道具在哪、谁在移动，已经交代得明明白白。等视频模型接手，城堡、草地、材质和光影被实时补齐，刚才还是3D草模，转眼就成了完整的游戏画面。视频地址：https://mp.weixin.qq.com/s/dOIA_LEFwE_A3tUTwQwEyA
画得出来是一方面，底下的规则也真在跑。就拿盾牌来说，玩家拾取后，引擎会把它正式写进游戏状态。中弹时先扣盾牌耐久，盾牌失效后再扣角色血量；等血量归零，游戏结束。