不用綁骨：Viggle 的 JST-2 一秒生出一個 3D 場景

Viggle 在 10 月 19 日發布了一個模型，生成一個 3D 場景大約只要一秒，推論成本不到 1 美分。這兩個數字來自公司自己的發布頁，測試平台是一張 NVIDIA B200，而且不計網路延遲——所以請用看廠商跑分的習慣來看待它們。不過，這兩個數字背後的架構，比數字本身更值得注意。

模型叫 JST-2。JST 是 Joint Space-and-Time 的縮寫，也就是「聯合時空」。Viggle 把它稱為物理原生的世界基礎模型，這個說法不是替新聞稿貼金，而是真的在承擔解釋的工作。

「物理原生」到底改變了什麼

大多數影片模型是靠像素認識世界的。它們看過夠多影格，就很會預測下一格長什麼樣，所以它們能生成一張漂亮的椅子，然後鏡頭一轉，椅子就整個不見了。

JST-2 不生成影格。它的基本單位更接近原子：一小塊有真實三維位置、材質、顏色、質量，並且記錄了它在受力下如何移動與形變的東西。這些單元被 token 化成 Viggle 所說的 Physics-Native Tokens，再解碼成可以在瀏覽器裡算圖的 3D 高斯潑濺。

實際結果是持續性。你轉頭之後，椅子仍然是房間的一部分，因為它不是一個預測，而是一個物件。你可以繞著結果轉，走到模型從沒算圖過的角落，場景還是撐得住。只有在你加入新內容時，模型才需要再跑一次。

Viggle 拿來對比的是 World Labs 的 Marble，發布頁上標的是一個場景大約六分鐘，而 JST-2 是一秒。這個差距不是調參調出來的，而是前饋生成與逐場景最佳化的差別。Viggle 的模型一次前向就直接產出三維表示，而不是事後再擬合一個場景。

{{INLINE1}}

上下文視窗是一個空間，不是一份文件

JST-2 最多接受 64 個輸入視角，當作它的空間上下文視窗。對一個 3D 模型來說這說法有點怪，但它把互動方式講得很準：你一個視角一個視角地擴張一個世界，每個新視角都會成為後續內容的一部分上下文。

Demo 就是這樣跑的。在 Viggle 的發布影片裡，一個機器人在客廳拿起一個箱子。輸入指令依序加入一位女性、一位父親和一個小孩，然後要機器人穿過房間把箱子交給小孩。鏡頭在房間和機器人自身視角之間切換。整個過程裡，沒有任何一步需要把場景從頭重跑。

64 個視角對一個大型環境來說不算寬裕，而這正是要盯住的數字。空間上下文視窗的表現會像文字上下文視窗一樣：第一版已經很讓人驚豔，第二版則會改變人們做東西的方式。

綁骨，才是這門生意真正有趣的地方

角色功能是離錢最近的那一塊。JST-2 能把一張圖，或一段文字描述，變成一個可以直接動起來的 3D 角色。沒有獨立的綁骨步驟，也沒有讓美術擺一副數位骨架、再刷權重的蒙皮環節。

機制藏在 token 的表示裡。Viggle 說，Physics-Native Tokens 裡的動力學向量編碼了角色每個部位在不同動作下如何形變。這些動力學是從資料裡學來的，所以模型交付的不是一個網格、然後指望你之後自己去綁，而是網格加一套形變模型。

Viggle 做了對 Meshy 7.1 和 Tripo H3.1 的盲測人工評估。JST-2 在角色生成上兩項都領先，領先幅度最大的是臉部細節——而這偏偏是從 2D 參考到 3D 結果之間最容易弄丟的東西。它在「可動畫性」上也領先，尤其是手部關節，以及身體和衣物在動作中的形變。

Viggle 對弱項也沒藏：複雜衣物形變和頭髮飄動被列為後續版本的工作。任何看過生成出來的披風穿過生成出來的大腿的人，都會承認這兩條是誠實的回答，而不是行銷話術裡被省略的部分。

不用穿動捕服的動捕

JST-2 也能從文字、或一段真人演出的影片生成全身動作，講白了就是無標記點動捕。發布頁上的例子都是日常動作：閃避下蹲、前滾翻、正踢、嘻哈律動、旋轉、機械舞、拳擊、掃視式行走、穿門、刷牙、快速打字、向前指。

這些動作對人來說都不難。對一副骨架來說都很難，因為它們牽涉重心轉移、接觸和恢復。把用手機拍的影片變成一副可重定向的骨架，正是目前大多數小型工作室要付錢給動畫師的那一步。

物理，還是有一部分是假的

這句話值得記住。Viggle 自己的資料說，JST-2 在碰撞和物件互動上仍然使用寫死的物理規則。下一代模型 JST-3 正在開發，目標是讓這些互動從資料裡學，而不是靠人去寫規則。

所以「物理原生」描述的是表示方式，不是一個已經解決的模擬。模型知道東西在哪、怎麼動；它還不知道兩個物件搶同一塊空間時會發生什麼事。這就是「一個可以探索的世界」和「一個可以在裡面測試機器人的世界」的差別，而 Viggle 也講明，機器人訓練是它要去的方向，不是它現在的位置。

Viggle 說過，JST-3 的目標是一個完整的世界模擬器，可以放在遊戲引擎底下，或當成物理智能的訓練場。這是個很大的說法，而且沒有交付日期。今天存在的東西，是一個很快的場景生成器，角色輸出意外地好。

這一週你實際能拿它做什麼

JST-2 可以在 PINOC 裡免費試用，那是 Viggle 針對 3D 角色和動作的瀏覽器應用程式。免費方案一次給 60 點，公司說大約夠一分鐘的動作，或最多十二個圖生 3D 角色，外加一次動作匯出和一次角色匯出。免費方案的點數不會重置，也不能加購。

付費方案從每月 10.39 美元起（按年付費），給 300 點，授權條款很關鍵：免費方案的產出只能用在個人專案、評估和原型驗證。客戶案子或任何要變現的東西都需要 Starter 或 Pro。匯出格式是 FBX 或 GLB，也就是說 Blender、Unity、Unreal 都打得開。

如果你想用最低成本驗證那個說法，最省的順序是：一張圖、一段短動作、一次匯出。動作按每秒一點計費，所以五秒的片子就是五點。一分鐘的免費額度裡塞十二個想法是可行的，只要都短——而「短」剛好也是檢驗手部關節那套說法站不站得住的地方。

真正的變化

這裡真正變的不是速度。是素材和動畫現在一起到位。過去二十年，流程是建模、綁骨、做動畫，每一個箭頭背後都是另一個人，另一種檔案格式。

把前兩個箭頭併掉，不會讓動畫師消失。消失的是那份工作裡主要在記帳的部分，同時讓一個爛想法的成本接近於零。通常，一種格式就是在這種時候改變的，而不是在輸出變得更漂亮的時候。