一句话总结
Runway 在 9 月 3 日发布 GWM Worlds 2（研究预览版）：这不是又一个「文生视频」模型，而是一个交互式世界模拟器——它在你操作的同时，实时生成连续的 720p/24fps 视频 + 48kHz 音频。你定义环境、角色、物理规则与氛围，然后用文本动作直接操控世界：挥剑、对话、让海水涌入房间、让沙暴来袭，甚至把控制权交给 Agent 自主行动。世界没有预设时长，可以无限延续。
数据来源
- Runway 官方研究页《Introducing GWM Worlds 2》（2026-09-03 发布）
- Runway CEO Cristóbal Valenzuela 发布帖（LinkedIn / X，2026-09-03）
- Eyerys《Real-Time Worlds, Cached Frames: Architectural Evolution…》（2026-09-03 技术拆解）
- AICrier / PulseAugur 等第三方跟踪站的摘要与评论（2026-09-06）
- 本文场景描述与能力说明均基于上述资料整理
从「生成一段视频」到「生成一个世界」
过去两年 Runway 的公开形象是「视频生成公司」：Gen 系列模型把文字变成一段段精致的剪辑。但从 2025 年 12 月发布 GWM Worlds 开始，这家公司换了一个叙事——General World Models（通用世界模型），目标是模拟现实、实时可控、通用。
- 第一代 GWM Worlds 已经做到「实时环境模拟」：给定静态场景，你可以在其中自由移动，几何、光照、物理保持空间一致性——转身之后，背后的东西还在那里；
- 但它本质上是「会保持一致的探索空间」：没有声音，角色/场景级控制很弱；
- GWM Worlds 2 补上了这两块：生成音频（48kHz，含角色语音），并且支持对主体与场景的精细文本寻址。
一句话理解它的位置：GWM Worlds 1 是「能逛的世界」，GWM Worlds 2 是「能玩的世界」。
WorldPrompt：把一个世界拆成「持久层 + 事件流」
想让模型持续生成同一个连贯世界，第一步是把「什么是不变的」和「什么是变化的」分开。Runway 用 WorldPrompt 格式实现了这一点，它有两层：
- 持久层（Persistent）：构成场景的可行动主体，以及它们遵循的规则——角色是谁、环境长什么样、物理怎么运作。世界由 Genesis 提示词 + 首帧奠定，之后持续运行；
- 事件流（Event Stream）：带时间戳的文本动作序列。动作可以寻址到某个具体主体（「挥剑」），也可以作用于整个场景（「海水涌入房间」「沙暴来袭」）；语音也是事件，角色要说的台词可以直接写进时间线；镜头运动则作为逐帧的独立输入持续给出。
这种「场景与事件分离」的设计，本质上是把交互式生成从「拼接片段」变成了「状态化模拟」：你输入的不是一句 prompt，而是一段持续发生的故事线。
模型架构：把双向模型「掰」成实时自回归
GWM Worlds 2 的技术路径相当直白：先拿基础音视频生成模型按 WorldPrompt 格式微调，让它学会理解这种双层结构——但微调后的双向模型太慢，而且无法自回归生成（一次只能出一整段）。
于是 Runway 做了关键一步：把双向模型后训练成实时自回归模型。后训练之后：
- 不再受固定时长限制，可以无限生成；
- 每一步自回归生成时，模型只看三类上下文：
- 全局上下文——Genesis 提示词 + 世界首帧；
- 当前帧输入——镜头运动 + 覆盖当前帧的文本动作；
- 过去已生成的帧——存放在滑动窗口缓存中，加速因果解码。
视频与音频解码器都是因果的、带缓存运行，这是它能在推理时维持 720p/24fps + 48kHz 的关键工程手段。第三方拆解（Eyerys）也指出：滑动窗口缓存是「当前帧」的加速器，但它不等于全场景地图——这正是长期一致性挑战的根源。
它能做什么？六个直观的交互能力
GWM Worlds 2 的演示全部来自单次连续会话的实时操控，没有预渲染片段：
- 实时操控：只要你持续输入，世界就持续运行和扩展，没有「剪辑结束」；
- 动作寻址：指令不必发给某个角色——直接对场景下命令，可以触发洪水、沙暴这类全局事件；
- 从视频继续玩：不一定要从静态图开始，可以喂一段输入视频，环境与音频无缝过渡，之后进入实时游玩；
- Agent 控制：把方向盘交给 Agent——给它一个目标（「依次抵达红旗和蓝旗」），它会自己选择动作序列，一气呵成完成；
- 多用户协作：不同用户可以在同一场会话里扮演不同角色；
- 一键预设：一行文字描述世界，直接得到可玩的初始环境；常用动作还能绑定到按键，实现快速操作。
「Build as you play」是 Runway 给它的定义——边玩边构建，而不是先搭好再播放。
四个潜在应用方向
- 交互式娱乐：游戏原型、可探索场景。输入文字即生成可游玩的世界，替代手工场景搭建的早期迭代；
- 虚拟角色：会说话、会行动的 NPC——语音是事件流的一等公民，角色可以实时对话；
- 机器人仿真：具身 Agent 的训练沙盒——给 Agent 一个目标，它在模拟环境里自己探索、犯错、学习；
- 内容制作：以输入视频为世界基底，继续实时扩展与响应，把「补拍」变成「续玩」。
现实的边界：它还不是「完整的模拟器」
Runway 自己把 GWM Worlds 2 定位为研究预览（Research Preview）——没有公开 API、定价与自助接入，申请要走企业表单。第三方评测也给出了更冷静的观察：
- 滑动窗口 ≠ 地图：模型靠最近帧缓存维持连贯，覆盖薄弱的区域（罕见动作、特殊材质、快速视角变化）容易出现「看起来最自信、其实正在偏离」的幻觉；
- 算力负载高：24fps/720p + 音频是持续的推理负载，任何额外的物理检查、传感器都会挤占帧预算；
- 长期一致性仍是开放问题：在「隐世界状态」被真正存储并按自己的时钟更新之前，这类世界模型会一直介于「可以进入的地方」和「可以剧透的录像」之间。
总结
- GWM Worlds 2 把视频生成从「产出剪辑」推进到「可实时操控的状态化模拟」，720p/24fps + 48kHz 音频首次同时实时生成；
- WorldPrompt（持久层 + 事件流）是它的控制核心，让文本动作可以寻址角色与场景，语音也成为事件的一部分；
- 技术上，它把一个按 WorldPrompt 微调的双向音视频模型后训练成无时长上限的自回归模型，配合滑动窗口缓存实现实时解码；
- 它仍是研究预览，且长期一致性、几何漂移、推理成本都是诚实的边界——但作为「Agent 训练沙盒」与「交互娱乐」的方向性验证，它已经足够让人兴奋。
Runway 想做的显然不只是视频工具：世界模型是通往机器人、科学发现这类「语言模型解决不了」问题的路径。GWM Worlds 2 是这条路上又一个坚实的脚印。
