Viggle JST-2：一秒出 3D 场景，不用绑骨

Viggle 在 10 月 19 日发布了一个模型，生成一个 3D 场景大约只要一秒，推理成本不到 1 美分。这两个数字来自公司自己的发布页，测试平台是一块 NVIDIA B200，且不计网络延迟——所以请按看厂商跑分的惯例来看待它们。不过，这两个数字背后的架构，比数字本身更值得关注。

模型叫 JST-2。JST 是 Joint Space-and-Time 的缩写，即「联合时空」。Viggle 把它称作物理原生的世界基础模型，这个说法不是在给新闻稿贴金，而是真在承担解释工作。

「物理原生」到底改变了什么

大多数视频模型是通过像素来认识世界的。它们看过足够多的帧，就非常擅长预测下一帧长什么样，所以它们能生成一把漂亮的椅子，然后镜头一转，椅子就整个消失了。

JST-2 不生成帧。它的基本单位更接近原子：一小块有真实三维位置、材质、颜色、质量，并记录了它在受力下如何运动和形变的东西。这些单元被 token 化成 Viggle 所说的 Physics-Native Tokens，再解码成可以在浏览器里渲染的 3D 高斯泼溅。

实际后果是持续性。你转头之后，椅子仍然是房间的一部分，因为它不是一个预测结果，而是一个物体。你可以绕着结果转，走到模型从没渲染过的角落，场景依然站得住。只有在你添加新内容时，模型才需要再跑一次。

Viggle 拿来对比的是 World Labs 的 Marble，发布页给出的数字是每个场景大约六分钟，而 JST-2 是一秒。这个差距不是调参调出来的，而是前馈生成和逐场景优化的区别。Viggle 的模型一次前向就直接产出三维表示，而不是事后去拟合一个场景。

JST-2 最多接受 64 个输入视角作为它的空间上下文窗口。对一个 3D 模型来说这个说法有点怪，但它把交互方式说得很准：你一个视角一个视角地扩展一个世界，每个新视角都会成为后续内容的上下文。

演示就是这么跑的。在 Viggle 的发布片里，一个机器人在客厅里拿起一个盒子。输入指令依次加入一位女性、一位父亲和一个孩子，然后让机器人穿过房间把盒子递给孩子。镜头在房间和机器人自身视角之间切换。整个过程里，没有任何一步需要把场景从头重跑。

64 个视角对一个大型环境来说不算宽裕，而这正是要盯住的数字。空间上下文窗口的表现会像文本上下文窗口一样：第一版已经让人眼前一亮，第二版则会改变人们造东西的方式。

角色功能是离钱最近的那部分。JST-2 能把一张图，或者一段文字描述，变成一个可以直接动起来的 3D 角色。没有单独的绑骨步骤，也没有让美术摆一副数字骨架、再刷权重的蒙皮环节。

机制藏在 token 的表示里。Viggle 说，Physics-Native Tokens 里的动力学向量编码了角色每个部位在不同动作下如何形变。这些动力学是从数据里学出来的，所以模型交付的不是一个网格、然后指望你之后自己去绑，而是网格加一套形变模型。

Viggle 做了对 Meshy 7.1 和 Tripo H3.1 的盲测人工评估。JST-2 在角色生成上两项都领先，优势最大的是面部细节——而这恰恰是从 2D 参考到 3D 结果之间最容易丢掉的东西。它在「可动画性」上也领先，尤其是手部关节，以及身体和衣物在运动中的形变。

Viggle 对短板也没藏着：复杂衣物形变和头发飘动被列为后续版本的工作。任何见过生成出来的披风穿过生成出来的大腿的人，都会承认这两条是诚实的回答，而不是营销话术里省略掉的部分。

JST-2 也能从文字、或一段真人表演视频生成全身动作，说白了就是无标记点动捕。发布页上的例子都是日常动作：闪避下蹲、前滚翻、正踢、嘻哈律动、旋转、机械舞、拳击、扫视式行走、穿门、刷牙、快速打字、向前指。

这些动作对人来说都不难。对一套骨骼来说都很难，因为它们涉及重心转移、接触和恢复。把手机视频里的动作变成一套可重定向的骨架，正是目前大多数小工作室要付钱给动画师的那一步。

这句话值得记住。Viggle 自己的材料说，JST-2 在碰撞和物体交互上仍然使用写死的物理规则。下一代模型 JST-3 正在开发，目标是让这些交互从数据里学，而不是靠人去写规则。

所以「物理原生」描述的是表示方式，不是一个已经被解决的仿真。模型知道东西在哪、怎么动；它还不知道两个物体抢同一块空间时会发生什么。这就是「一个可以探索的世界」和「一个可以在里面测试机器人的世界」的差别，而 Viggle 也明说，机器人训练是它要去的地方，不是它现在在的地方。

Viggle 说过，JST-3 的目标是一个完整的世界模拟器，可以放在游戏引擎底下，或者当物理智能的训练场。这是个很大的说法，而且没有交付日期。今天存在的东西，是一个很快的场景生成器，角色输出意外地好。

JST-2 可以在 PINOC 里免费试用，那是 Viggle 面向 3D 角色和动作的浏览器应用。免费方案一次性给 60 个积分，公司说大约够一分钟的动作，或者最多十二个图生 3D 角色，外加一次动作导出和一次角色导出。免费档积分不重置，也不能加购。

付费档从每月 10.39 美元起（按年付费），给 300 积分，授权条款很关键：免费档产出只能用于个人项目、评估和原型验证。客户项目或任何要变现的东西都需要 Starter 或 Pro。导出格式是 FBX 或 GLB，也就是说 Blender、Unity、Unreal 都能打开。

如果你想低成本验证那个说法，最省的顺序是：一张图、一段短动作、一次导出。动作按每秒一个积分计费，所以五秒的片子就是五个积分。一分钟的免费额度里塞十二个想法是可以的，只要都短——而「短」恰好也是检验手部关节那个说法站不站得住的地方。

这里真正变的不是速度。是素材和动画现在一起到达。过去二十年，流程是建模、绑骨、做动画，每一个箭头背后都是另一个人，另一个文件格式。

把前两个箭头并掉，不会让动画师消失。消失的是那份工作里主要在记账的部分，同时让一个坏想法的成本接近于零。通常，一种格式就是在这种时候改变的，而不是在输出变得更漂亮的时候。