昆仑万维开源 Matrix-Game 4.0:一张 5090 跑 60 帧的可玩游戏

昆仑万维这个月开源了一个游戏。不是用 AI 做的游戏。是一个「游戏本体就是视频模型」的游戏,在一张 RTX 5090 上跑 60 帧。
项目叫 Matrix-Game 4.0,公司对那个循环的描述具体得少见:代码生成游戏逻辑,结构化约束定义画面,视频模型实时渲染。挂在这个循环上的数字是 480p、60fps、端到端输入延迟低于 150 毫秒。
如果这些数字站得住,这是世界模型第一次能玩,而不只是能看。那是另一类东西。
为什么关键数字是 150 毫秒
视频模型能生成以假乱真的画面,已经两年了。问题从来不是单段素材的质量。是那个循环。
交互式世界模型必须做一件视频生成器不做的事:在人类感知为「即时」的时间内响应输入,并且记住之前发生过什么。第一条不满足,手感像远程桌面。第二条不满足,世界会漂——你转过身,门挪位置了,走廊不是原来那条走廊。
昆仑的公开材料把这两个失败正是列为 4.0 要解决的问题:传统交互式世界模型依赖多卡数据中心集群、难以维持世界状态、长时程视觉漂移。他们声称的解法是推理工程而不是更大的模型,这也是交付物是 480p 而不是 1080p 的原因。一张卡上,分辨率、帧率、延迟三者不可兼得。他们挑了让它能玩的那两个。
480p 不好看。在 27 寸显示器上像 2008 年的视频。但它足够验证一个游戏点子成不成立,而这就是游戏原型的全部市场。

三段式循环,去掉宣传话术
「代码生成游戏逻辑、结构化画面约束、视频模型实时渲染」是压缩过的一句话。拆开看,是一套相当优雅的分工。
代码层管规则。血量、背包、冷却、碰撞、任务状态。这是普通游戏编程,确定、便宜、好检查。关键在于,世界模型不需要被要求记住玩家有一把钥匙。钥匙是个变量。
约束层管构图。机位在哪、画面里有什么、场景怎么打光、角色穿着什么。模型收到的不是一段描述场景的文字 prompt,而是一份它接下来必须渲染的场景的结构化描述。这比「生成一个游戏」窄得多,而实时系统只负担得起窄任务。
视频模型管像素。它渲染被约束的那一帧,以前一帧为条件,让运动连续。
有意思的地方在于,它把世界模型关进了尽可能小的盒子。它不是游戏。它是渲染器,而所有让游戏成为游戏的东西都在盒子外面,在你能调试的代码里。对比「一句 prompt 一个世界」的做法:那东西神奇三十秒,然后无法维护三十分钟。
没有美术资产,这才是真正的说法
仔细读公司的措辞:这个模型「验证了一种不需要预先制作美术资产的新游戏开发范式」。
这句才有经济上的牙。今天一个游戏原型要花美术的钱。哪怕是灰盒原型,也得有人做那个灰盒,而那个人通常是团队里最贵的。如果走廊是你走过去时渲染器自己编出来的,原型成本就塌缩成设计加代码。
这也解释了发布里的 Coding Agent:你用自然语言描述场景、规则和交互,智能体写游戏逻辑层,视频模型渲染逻辑产出的东西。目标受众不是工作室。是一个有想法和一张 5090 的人。
昆仑的投资者材料把这个对比写得很直白——他们拿 Steam 今年新上架数量上升当作门槛在降低的证据。这是公司在讲自己的故事,但方向很难反驳。
4.0 相对 3.5 修了什么
今年早些时候的 3.5 做的是长时程场景记忆、跨视角一致性、空间几何、镜头控制。这四项精确描述了生成世界为什么会假:你走回一个房间,它变了;你绕着一个物体转,背面是编的;镜头穿墙而过。
4.0 被呈现为循环闭合的版本。漂移是否真的解决了,是我想用十分钟上手而不是看演示视频来回答的问题——因为漂移这种问题,藏在前九十秒,在第十钟伏击你。
战略那一层
昆仑跑两条世界模型线。Matrix-Game 面向数字世界:AI 游戏、数字仿真、通用智能体。子公司 Riemann Dynamics 跑另一条叫 Riemann-1.0 的线,面向物理 AI——机器人操作、第一人称人体视频、遥操作示范、仿真到现实。
这个拆分值得注意,因为它对应着全行业在争的一件事。一些实验室认为一个模型应该把物理学到足够好,同时服务游戏和机器人。另一些认为目标差得足够远,值得两套架构:数字世界要好看、响应快,物理世界要对、响应安全。
昆仑押两个。给出的理由是数据:他们声称通过合作方拿到一百万小时的具身数据集,而具身数据是机器人那条线的瓶颈,不是算力。
信这个演示之前我会查什么
150 毫秒是「端到端操作响应延迟」。 要问这个窗口里装了什么。如果它不含渲染、只量模型的首个 token,那这个数字读起来就没那么好看了。
5090 上 480p、60fps,意味着每秒约三千万像素的生成量。对消费级卡是实打实的负载,也意味着你玩多久,卡就高负载多久。单风扇卡的持续散热表现不会等于跑分。
「开源」要看许可证。 公司说模型十月开源了。条款决定这变成一个平台还是一次演示,而这个品类的中国模型发布差别极大——有的很宽松,有的排除了整片市场。
诚实的总结:这是我见过的第一个公布时就带着「能用」而非「好看」数字的可玩世界模型。480p 能玩、一张卡、规则在代码里、像素在模型里,是游戏开发的一种新形状,也是「世界模型到底干吗用」这个问题比再多一分钟电影级素材更好的答案。
相关文章
744B 模型住进 9.9 GB 内存,专家从硬盘上读
colibri 把 744B 混合专家模型里常用的那部分留在内存,专家从磁盘流式读。README 把慢的基准和快的一起发,所以值得读。
不动模型,也能把智能体调好
Harness² 冻结权重,只改模型周围的八个组件,然后对比几次运行的差异。一个 benchmark 上最多涨 11.5 分,没有一次梯度更新。
编辑榜排第二,调用榜前五十都没进
微软发了一个根本不能生成图像的模型。它在编辑榜第二,在请求量前五十里找不到。这个落差说明图像榜单到底在量什么。
35 万个假受害者,和机构撒谎的伦理问题
Apate.ai 跑着 35 万个 AI 人格,工作是让骗子骗,再把骗出来的情报卖给银行和运营商。浪费时间这一步成立,没有人算过账的是那个先例。