昆侖萬(wàn)維正式開(kāi)源Matrix-Game：從圖像出發(fā)構(gòu)建可控交互世界，重塑交互式世界生成標(biāo)桿
5月13日，昆侖萬(wàn)維正式開(kāi)源（17B+）Matrix-Game大模型，即Matrix-Zero世界模型中的可交互視頻生成大模型。Matrix-Game是Matrix系列在交互式世界生成方向的正式落地，也是工業(yè)界首個(gè)開(kāi)源的10B+空間智能大模型，它是一個(gè)面向游戲世界建模的交互式世界基礎(chǔ)模型，專為開(kāi)放式環(huán)境中的高質(zhì)量生成與精確控制而設(shè)計(jì)。
空間智能作為AI時(shí)代的重要前沿技術(shù)，正在重塑我們與虛擬世界的交互方式。通過(guò)融合視頻生成、三維建模與交互控制等核心技術(shù)，空間智能不僅支持更加自然、直觀、沉浸的體驗(yàn)，也在具身智能、影視制作、游戲開(kāi)發(fā)等領(lǐng)域展現(xiàn)出巨大潛力。
昆侖萬(wàn)維長(zhǎng)期關(guān)注空間智能的新進(jìn)展，經(jīng)過(guò)不懈的技術(shù)研發(fā)，今天正式開(kāi)源Matrix-Game，不僅刷新了交互式世界生成的技術(shù)上限，也為構(gòu)建通用虛擬世界基座樹(shù)立了全新標(biāo)桿。
Matrix-Game聚焦于視頻生成與用戶交互的深度融合，讓用戶可以通過(guò)簡(jiǎn)單直觀的指令，自由探索、操控、甚至創(chuàng)造出細(xì)節(jié)豐富、物理規(guī)則合理的虛擬世界。
Matrix-Game由以下三大核心部分構(gòu)成：
1. Matrix-Game-MC數(shù)據(jù)集：自主構(gòu)建的大規(guī)模交互世界數(shù)據(jù)集，包含兩類數(shù)據(jù)：一是大規(guī)模無(wú)標(biāo)簽的Minecraft游戲視頻，二是帶有鍵盤與鼠標(biāo)控制信號(hào)的 Minecraft 與 Unreal 可控視頻數(shù)據(jù)，具備精細(xì)的動(dòng)作注釋。該數(shù)據(jù)集支持對(duì)復(fù)雜環(huán)境動(dòng)態(tài)與交互模式的高效建模與學(xué)習(xí)。
2. Matrix-Game主模型：基于先進(jìn)擴(kuò)散模型技術(shù)開(kāi)發(fā)的圖像到世界生成框架，能夠根據(jù)用戶輸入（鍵盤指令、鼠標(biāo)移動(dòng)等）生成連貫、可控的互動(dòng)視頻，兼顧視覺(jué)質(zhì)量、時(shí)序一致性與物理合理性。
3. GameWorld Score評(píng)測(cè)體系：提出統(tǒng)一的游戲交互世界評(píng)估標(biāo)準(zhǔn)，從視頻的視覺(jué)質(zhì)量、時(shí)序質(zhì)量、動(dòng)作可控性與物理規(guī)則理解四個(gè)維度，全面量化模型性能，填補(bǔ)了該領(lǐng)域缺乏系統(tǒng)性評(píng)測(cè)基準(zhǔn)的空白。
通過(guò)兩階段訓(xùn)練策略（無(wú)標(biāo)簽數(shù)據(jù)預(yù)訓(xùn)練 + 標(biāo)注數(shù)據(jù)可控訓(xùn)練），參數(shù)規(guī)模達(dá) 17B 的 Matrix-Game 世界基座模型在空間理解、用戶指令響應(yīng)以及物理交互建模等方面取得了顯著提升。具備以下模型優(yōu)勢(shì)：
細(xì)粒度用戶交互控制：支持前進(jìn)、跳躍、攻擊、視角移動(dòng)等細(xì)節(jié)操作，根據(jù)用戶輸入響應(yīng)，操作體驗(yàn)準(zhǔn)確自然。
高保真視覺(jué)與物理一致性：生成結(jié)果在保持視覺(jué)連貫的同時(shí)，遵循自然物理規(guī)律，如重力、碰撞等，顯著提升沉浸感。
多場(chǎng)景泛化能力：具備對(duì)多種 Minecraft 游戲場(chǎng)景的泛化能力，涵蓋不同地形、天氣和生物群系，并具備向非 Minecraft 游戲環(huán)境泛化的潛力。
系統(tǒng)化評(píng)估體系：提出統(tǒng)一的 GameWorld Score 標(biāo)準(zhǔn)，為交互世界模型的客觀評(píng)估與持續(xù)優(yōu)化提供有力支撐。
與知名創(chuàng)業(yè)公司 Decart 開(kāi)源方案 Oasis 和微軟開(kāi)源模型 MineWorld 對(duì)比，Matrix-Game 在 Minecraft 世界生成任務(wù)的各項(xiàng)指標(biāo)上實(shí)現(xiàn)了全面超越，尤其在交互可控性和物理一致性理解方面表現(xiàn)尤為出色。此外，得益于 Unreal 數(shù)據(jù)的融入，Matrix-Game 在泛化到更廣泛的通用游戲場(chǎng)景方面展現(xiàn)出明顯優(yōu)勢(shì)。
來(lái)源：Matrix-Game技術(shù)報(bào)告
Matrix-Game能夠在不同Minecraft場(chǎng)景下（如森林、沙灘、沙漠、冰川、河流、平原等）實(shí)現(xiàn)可控生成，包括基礎(chǔ)運(yùn)動(dòng)、復(fù)合運(yùn)動(dòng)、視角運(yùn)動(dòng)等。例如，在一個(gè)沙漠場(chǎng)景中，Matrix-Game 能夠根據(jù)用戶輸入的任意控制指令（如鍵盤的 W/A/S/D 方向鍵、Space 鍵用于跳躍、Attack 鍵用于攻擊，以及鼠標(biāo)用于視角移動(dòng)），生成對(duì)應(yīng)的游戲世界視頻，支持角色的前后左右移動(dòng)、跳躍、攻擊以及視角變換等動(dòng)態(tài)行為。
在此基礎(chǔ)上，Matrix-Game 支持自回歸式的長(zhǎng)視頻生成，不僅能實(shí)現(xiàn)動(dòng)作與視角之間的絲滑銜接，還在時(shí)間一致性與環(huán)境適應(yīng)性方面表現(xiàn)出色，為開(kāi)發(fā)沉浸式長(zhǎng)時(shí)體驗(yàn)、創(chuàng)意內(nèi)容生成及游戲設(shè)計(jì)等應(yīng)用奠定了堅(jiān)實(shí)的模型基礎(chǔ)。
不僅如此，在非Minecraft場(chǎng)景泛化上，Matrix-Game表現(xiàn)得也非常出色。
接下來(lái)，我們來(lái)看看Matrix-Game是如何達(dá)到這樣的效果的。
01
數(shù)據(jù)構(gòu)建：大規(guī)模高質(zhì)量Matrix-Game-MC數(shù)據(jù)集
為構(gòu)建能夠理解物理規(guī)則并具備交互生成能力的世界基礎(chǔ)模型，Matrix-Game 自主構(gòu)建了大規(guī)模 Matrix-Game-MC 數(shù)據(jù)集，涵蓋從無(wú)標(biāo)簽預(yù)訓(xùn)練數(shù)據(jù)到精細(xì)標(biāo)注的可控視頻的完整流程，兼顧數(shù)據(jù)規(guī)模與質(zhì)量。
無(wú)標(biāo)簽預(yù)訓(xùn)練數(shù)據(jù)集采用三階段過(guò)濾機(jī)制從6000小時(shí)的MineDojo數(shù)據(jù)中過(guò)濾出近千小時(shí)高質(zhì)量數(shù)據(jù): (1) 畫質(zhì)與美學(xué)過(guò)濾；(2) 非游戲內(nèi)容剔除；(3) 動(dòng)態(tài)與視角穩(wěn)定性過(guò)濾。
有標(biāo)簽數(shù)據(jù)采用兩種策略混合生成數(shù)千小時(shí)的可控監(jiān)督數(shù)據(jù)：
探索代理（Exploration Agent）：借助 VPT agent 在 MineRL 環(huán)境中進(jìn)行自動(dòng)探索，生成大規(guī)模、高質(zhì)量的 Minecraft 視頻數(shù)據(jù)，數(shù)據(jù)中包含精確的鍵盤與鼠標(biāo)控制信號(hào)，支持可控性學(xué)習(xí)。
程序化模擬（Unreal Procedural Simulation）：基于 Unreal Engine 手動(dòng)構(gòu)建結(jié)構(gòu)清晰、標(biāo)簽精確的模擬交互場(chǎng)景，提供位置信息、動(dòng)作標(biāo)簽（離散與連續(xù)）、以及環(huán)境反饋信號(hào)（如方塊是否成功破壞），生成高精度、無(wú)噪聲的可控標(biāo)注數(shù)據(jù)，助力高保真動(dòng)作-響應(yīng)建模。
02
模型架構(gòu)：Matrix-Game從圖像出發(fā)構(gòu)建可控交互世界
Matrix-Game是以圖像為輸入的交互式世界生成基礎(chǔ)模型，整體架構(gòu)圍繞以下幾個(gè)核心設(shè)計(jì)：
圖像到世界建模（Image-to-World Modeling）
強(qiáng)調(diào)空間智能能力：不依賴語(yǔ)言提示，僅基于視覺(jué)信號(hào)建模空間幾何、物體運(yùn)動(dòng)及其物理交互；
輸入形式：以單張參考圖像作為生成交互式視頻的起點(diǎn)；
交互可控生成：融合用戶動(dòng)作輸入（如鍵盤、鼠標(biāo)），通過(guò)類似 Flux 與 HunyuanVideo 的多模態(tài)擴(kuò)散模型直接生成虛擬游戲世界的視頻內(nèi)容。
自回歸式視頻生成（Autoregressive Diffusion Generation）
支持自回歸方式擴(kuò)展生成長(zhǎng)度，可持續(xù)生成高一致性長(zhǎng)視頻內(nèi)容；
每次以前一視頻片段的最后 k=5幀作為運(yùn)動(dòng)上下文，逐段遞進(jìn)生成，確保時(shí)間上的連貫性；
為緩解時(shí)序漂移和誤差累積，訓(xùn)練中以一定概率針對(duì)參考圖像與運(yùn)動(dòng)上下文引入隨機(jī)擾動(dòng)、隨機(jī)刪除，以及Classifier-free guidance策略。
可控交互設(shè)計(jì)（Injecting Actions for Controllability）
鍵盤動(dòng)作（如上下左右、跳躍、攻擊）以離散token表達(dá)，視角移動(dòng)動(dòng)作（如鼠標(biāo)pitch角度）則以連續(xù)token表達(dá)；
采用GameFactory的控制模塊，并融入多模態(tài)Diffusion Transformer架構(gòu)；
使用 Classifier-free guidance策略提升對(duì)控制信號(hào)的魯棒響應(yīng)能力。
03
評(píng)測(cè)體系與模型性能：提出統(tǒng)一基準(zhǔn) GameWorld Score，重塑交互式世界生成標(biāo)桿
為了系統(tǒng)性評(píng)估和比較交互式世界生成模型的性能，Matrix-Game提出了一套專為 Minecraft 世界建模設(shè)計(jì)的統(tǒng)一評(píng)測(cè)框架 —— GameWorld Score。該評(píng)測(cè)體系彌補(bǔ)了現(xiàn)有基準(zhǔn)在交互性、物理一致性等維度的缺失，首次實(shí)現(xiàn)了對(duì)感知質(zhì)量 + 控制能力 + 物理合理性的全方位衡量。
GameWorld Score 包含四大核心評(píng)估維度：
視覺(jué)質(zhì)量（Visual Quality）：評(píng)估每一幀圖像的清晰度、結(jié)構(gòu)一致性與真實(shí)感。依據(jù)人類視覺(jué)系統(tǒng)（HVS）標(biāo)準(zhǔn)衡量每一幀圖像生成效果。
時(shí)序質(zhì)量（Temporal Quality）：衡量模型生成視頻的動(dòng)態(tài)連貫性，包括運(yùn)動(dòng)連續(xù)性、節(jié)奏平滑性與時(shí)間穩(wěn)定性。
交互可控性（Action Controllability）：評(píng)估生成結(jié)果是否準(zhǔn)確響應(yīng)用戶輸入的控制信號(hào)，涵蓋離散控制（如前進(jìn)、跳躍）和連續(xù)控制（如視角轉(zhuǎn)換）。
物理規(guī)則理解（Physical Rule Understanding）：測(cè)試生成視頻是否遵循物理常識(shí)與空間一致性。
在GameWorld Score評(píng)測(cè)系統(tǒng)中，Matrix-Game在視覺(jué)質(zhì)量、時(shí)間一致性、動(dòng)作可控性與物理規(guī)則理解四大維度上均取得領(lǐng)先成績(jī)，全面超越現(xiàn)有開(kāi)源基線模型 Oasis 與 MineWorld。
在雙盲人評(píng)實(shí)驗(yàn)中，用戶更傾向于選擇 Matrix-Game生成的視頻：
96.3% 總體偏好率，生成效果更真實(shí)、連貫、可信；
93.76% 動(dòng)作控制偏好，準(zhǔn)確響應(yīng)鍵盤與鼠標(biāo)指令；
98.23% 視覺(jué)質(zhì)量得分，單幀畫面更清晰美觀；
89.56% 時(shí)間一致性得分，動(dòng)態(tài)流暢，無(wú)閃爍跳變。
在控制性能上，Matrix-Game可實(shí)現(xiàn)：“運(yùn)動(dòng)”“攻擊”等動(dòng)作高達(dá) 90%+ 準(zhǔn)確率；細(xì)粒度視角控制下依然保持高精度響應(yīng)。
在 8 大典型 Minecraft 場(chǎng)景中全面領(lǐng)先，展現(xiàn)出卓越的環(huán)境適應(yīng)性與泛化能力，可廣泛應(yīng)用于復(fù)雜動(dòng)態(tài)的虛擬世界交互任務(wù)。
Matrix-Game用事實(shí)證明，它不僅能“看得清”，更能“動(dòng)得準(zhǔn)、控得穩(wěn)”，是當(dāng)前工業(yè)界最強(qiáng)的交互式世界生成基座模型之一。
04
昆侖萬(wàn)維引領(lǐng)交互式世界生成新紀(jì)元
Matrix-Game作為空間智能領(lǐng)域交互式世界生成的重要里程碑，將潛在為多個(gè)領(lǐng)域帶來(lái)革命性影響：
虛擬游戲世界快速搭建：借助模型的可控生成能力，可低成本、高效率地創(chuàng)建多樣化、結(jié)構(gòu)合理的游戲地圖與交互環(huán)境，顯著提升關(guān)卡設(shè)計(jì)與任務(wù)構(gòu)建的自由度。
影視與元宇宙內(nèi)容生產(chǎn)：支持高保真、物理一致的動(dòng)態(tài)場(chǎng)景合成，為沉浸式體驗(yàn)開(kāi)發(fā)與創(chuàng)意內(nèi)容生成提供通用世界建?；A(chǔ)。
具身智能體訓(xùn)練與數(shù)據(jù)生成：盡管當(dāng)前模型未直接用于具身智能，Matrix-Game 具備生成大規(guī)模交互視頻的能力，具備擴(kuò)展至具身智能體訓(xùn)練與評(píng)估的潛力，可為智能體創(chuàng)建多樣復(fù)雜的虛擬環(huán)境，輔助其任務(wù)執(zhí)行與推理能力的提升。
Matrix-Game讓世界不再只是被觀看，而是被探索、被操控、被創(chuàng)造。昆侖萬(wàn)維正站在空間智能時(shí)代的新起點(diǎn)，邀請(qǐng)每一位探索者一起，用指尖繪制屬于自己的無(wú)限虛擬世界。
未來(lái)，昆侖萬(wàn)維將持續(xù)投入前沿技術(shù)與基礎(chǔ)模型研發(fā)，并且堅(jiān)定開(kāi)源SOTA級(jí)別模型回歸社區(qū)。我們相信，Matrix系列世界模型將對(duì)公司AI短劇生產(chǎn)和編輯以及AI游戲生產(chǎn)等業(yè)務(wù)進(jìn)一步賦能，為用戶和開(kāi)發(fā)者帶來(lái)新的平臺(tái)和工具。
關(guān)注我們
