过去三十天，「世界模型」这个词被至少四家厂商写进了新闻稿。
谷歌说 Genie 4 是新一代世界模型，能实时交互模拟，还能动态生成环境音和对话。PixVerse 说 R2 把实时世界模型推向「持久、可玩的世界」。昆仑万维更直接，Matrix-Game 4.0 发布当天就把代码和权重一起开源。生数科技的 Vidu S1/S2、爱诗科技的 PixVerse 系竞品，也在同一窗口里密集更新。
发布会看起来像，名字更像。但把这四样东西拆开看，它们做的是三件事。
混用同一个名词的后果很实际：投资人拿视频生成的估值逻辑去估世界模型公司，开发者拿世界模型的期待去骂一个视频工具「不智能」，读者看完 30 秒 demo 就以为《头号玩家》明年上映。
这篇干两件事：先把散落的发布归到同一张地图上，再给地图配一把尺子。
不是。用三条标准就能把它们分开：状态是否持久；你的动作能不能改变接下来发生的事；画面是逐帧「画」出来的，还是从一个场景表示里「渲染」出来的。
按这三条，过去三十天的发布可以归成三派。
从海量视频里学世界怎么运转，直接生成可交互的画面流。没有显式的 3D 场景文件，世界的状态藏在模型权重和上下文里。
谷歌官方把话说得很明白：这是通往 AGI 的台阶——在更真实的环境里训练和测试智能体。它要的不是好看，是「像一个真的世界那样运转」。
本质是可控视频生成的加速版。R2 的官方措辞重点是 scaling：能吞更多数据、更多任务、更多输入类型，同时保持实时。
画面是主角，交互是控制画面的新方式。传统视频生成是一次性出片，出完就停；这一派让你边生成边改，改完继续生成。
游戏引擎与视频生成模型协同运行：引擎管物理、碰撞、状态，模型管画面。物理对不对由引擎保证，好不好看由模型决定。
10 月 15 日发布即开源代码和权重，单张 RTX 5090 消费级显卡就能跑。创始人周亚辉署名技术报告，个人押注的姿态很明显。
三派的目标不同。像素级要理解世界，交互视频要生成画面，引擎协同要跑通游戏。所以「谁的世界模型更强」从一开始就是个错问题——它们在不同的赛道上，只是碰巧用了同一个名字。
有，而且刚出炉。清华、英伟达等团队把 38 个实时视频模型拉到同一个测试台上，形成了 49 个模型任务配置。
为什么需要新榜？因为老榜测不了这个品类。VBench、EvalCrafter 这类主流评测，测的都是「生成一段固定视频」：给个提示词，出个片段，打分。这个流程测不到实时交互视频最难的部分。
难的部分是什么？用户的指令是连续的。模型要边生成边响应新指令，不能中断画面，同时还要保住人物的身份、已有的场景、以及之前所有有效的修改。你说「把天改成暴雨」，它不能把角色顺手换成另一个人。
新榜给出的公共尺子，正好三把。
人物身份、场景布局、物体状态，能不能撑住不漂移。十秒不漂和一分钟不漂，是两个物种。
碰撞、重力、遮挡关系穿不穿帮。球扔出去会不会落地，人走过柱子会不会穿模。
连续指令跟不跟得上。不是「最终执行了没有」，是「第几秒执行的、执行时有没有弄丢之前的东西」。
有了这三把尺子，三派才能第一次站上同一个台子。画质再好，控制跟不上就是不合格的实时系统；物理再稳，画面不行也拿不到入场券。
结论先行：连续指令最难拿分。指令跟随这一项，全场最高分只有 36.90——这还已经是该组 7 个模型里的最高值。
报告里有一句话值得抄下来：画面质量、人物身份保持和实时控制，是几种相对独立的能力。
翻译成人话：一个模型能稳定生成漂亮视频，不等于它能可靠执行不断变化的指令。这两件事的相关性，比大家以为的低得多。宣传片里那种「又美又听话」的形象，是剪辑出来的，不是测出来的。
分任务看，短板的位置很具体。
Vidu S2-Avatar 在这个任务上领先。人像固定、镜头固定、交互以语音为主——把变量压住之后，实时交互视频派的产品力是真的。数字人直播、虚拟客服会是最先落地的口子。
一旦要求「边生成边改、还不能丢之前的修改」，多数模型几十秒后场景变样，新指令被当成下一轮生成的开场白。改完暴雨，人已经不是那个人了。
碰撞和重力是三把尺子里最难过的一把。纯视频路线没有显式的物理状态，穿帮是结构性的；引擎协同派从架构上占了便宜——物理由引擎兜底，这是路线红利，不是模型更聪明。
把短板地图和三派对照着看：像素级世界模型在状态一致性上有结构性优势，因为状态本来就住在模型里；交互视频派在画质和数字人上领先，因为那是它的主业；引擎协同派物理最稳，但画面的自由度受引擎能力限制。
Genie 4 发布，多数人盯着画质。真正的信号在音频：它能动态生成环境音、音乐和交互式对话。
为什么声音比画面重要？因为逐帧画图的视频模型不需要声音。声音是时间连续性的产物——雨下了一分钟，雨声就得响一分钟；角色推开门，门轴声必须和动作对在同一秒。做不到这两点的模型，内部没有一个持续运转的世界，只有一堆好看的帧。
官方的演示里有个细节值得放慢看：用户用自然语言把晴天改成暴雨，画面没有重置，角色继续走，声音在同一刻换成了雨声。改的是天气，没断的是状态。
这也解释了 Genie 4 的发布节奏：先给一小批受信任测试者，之后才轮到 Google AI Ultra 订阅者和 Gemini API 的早期伙伴。世界模型的评测成本远高于视频生成——画质可以截图对比，状态连续性必须真的「玩」过才知道。开放太快，翻车视频会比模型本身传播得更快。
对读者的实用价值在这里：下次评估一个「世界模型」，别先问分辨率。先问它有没有声音，声音和动作对不对得上。对不上的，大概率还是视频生成换了个名字。
四道坎：延迟、时长、成本、可控性。demo 只需要过第一道的一半，产品要四道全过。
实时的定义是交互帧率撑得住操作，不是「生成速度很快」。demo 里按一下方向键，画面第几帧响应？低于操作感的阈值，世界模型就成了「慢动作播放器」。
一致性随时间衰减是这类模型的通病。新榜用连续指令压的就是这一项。宣传片全是 30 秒以内，因为再长就要露馅。问厂商要一段不剪辑的十分钟，比要十段精彩剪辑有用。
Matrix-Game 4.0 把硬件门槛压到单张 RTX 5090，这是消费级信号。云端模型按分钟计费的话，一场「可玩」的成本是多少，发布会不会说，财报里才有答案。
没有状态读写接口的「世界」，只是一个会动的视频。能存档，才谈得上游戏；能编辑，才谈得上工具；能重玩，才谈得上产品。
四道坎全过的，目前一个都没有。过两三道的，才配叫「可玩」。这不是泼冷水，是给「炸裂」标定刻度。
不需要懂架构，三分钟够了。方法是在 demo 上按顺序做三个动作。
看输入。演示里有没有实时操作——键盘、手柄、语音指令？操作的人是真的在控制，还是只是在旁白？没有实时输入的「世界模型」，就是视频生成。
拉到最后十秒。别看开头，开头是模型状态最好的时刻。看结尾：人物身份还在不在，场景还是不是那个场景，三分钟前做过的修改还在不在。
听声音、看碰撞。找一个碰撞瞬间：球落地、人关门、车转弯。物理穿没穿帮，声音和动作对不对得上。这一条能同时测出物理规律和状态连续性。
三个动作做完，它属于哪一派、过了几道坎，你心里基本有数。剩下的事才是欣赏画质。
把这篇的东西收成四行：
一、「世界模型」目前至少指三种东西：学世界的（Genie 4）、生成画面的（PixVerse R2、Vidu S 系列）、跑游戏的（Matrix-Game 4.0）。名字相同，估值逻辑不同。
二、38 模型同台的新榜给了三把公共尺子：长时一致性、物理规律、实时控制。最难拿分的是连续指令，全场最高 36.90。
三、原生音频比画质更像分水岭——声音骗不了人，它要求模型维护一个持续的世界状态。
四、demo 离产品隔着四道坎：延迟、时长、成本、可控性。
「世界模型」这个词接下来一年会被用得很滥，每个做视频的公司都会往自己身上贴。名词会通胀，尺子不会。下次有人给你看 30 秒 demo，先别惊艳——把进度条拉到最后十秒。