RTFM：单GPU实时生成交互3D世界

当 OpenAI 的奥特曼还在到处购买显卡和算力，以支撑其 Sora 2 视频生成模型时，李飞飞的实验室 The World Labs，却用一张显卡就能运行一个世界。他们发布了名为 RTFM (Real-Time Frame Model) 的新技术，一个全新的实时世界生成模型。

与九月中旬发布的图生世界 Marble 不同，RTFM 不仅能用一张照片生成一个可以自由漫步、探索的 3D 世界。更重要的是，它被设计为能在单块 H100 GPU 上高效运行，并且实现实时生成。

目前，RTFM 已作为研究预览版正式发布，并提供了 Demo 可以亲自体验。

RTFM Demo 链接：

意外地发现，这个 Demo 的名字叫做 FRAMEBOY，结合这个网页布局，我很快想到了年代久远的 Game Boy 游戏机。

这样一个拥有逼真光影、反射和阴影的世界，并且这一切还在我们眼前实时发生，某种意义上，何尝不是另一种玩游戏。

不止于生成，更在于实时互动

RTFM 的核心能力，就是能实时生成可供用户交互的视频。它可以从一张静态图片开始，实时渲染出一个可以自由探索的 3D 场景。

与许多世界模型不同，RTFM 能够学习并渲染出极其复杂和真实的视觉效果。无论是光滑大理石地面的倒影、物体在阳光下的阴影，还是透过玻璃看到的景象，RTFM 都能准确模拟。

RTFM 依靠的不是传统的图形学编程，而是让模型通过对海量视频数据的端到端学习，不断进化出来的。

支撑这项能力的，是设计 RTFM 背后围绕的三项核心原则。

效率 (Efficiency) ，要想把未来拉到眼前，世界模型的计算需求是最大的阻碍。

无论是像 Sora 这样的 AI 生成视频，还是 Google 尚未正式公开上线的 Genie 3，都意味着巨大的计算挑战。

有研究表明，要实时生成 4K 60fps 的交互视频流，AI 模型每秒需要处理的 tokens 数量约等于一本《哈利·波特》的文字量。

而如果要在超过一小时的交互中保持这些生成内容的持续性，需要处理的上下文将超过 100M 个 token。这对于当下的计算基础设施而言，既不现实也难以负担。

李飞飞团队的目标是「在今天硬件上运行的明天模型，并提供最高保真度的预览。」

他们通过对架构、模型蒸馏和推理过程的极致优化以及整个系统的重新设计。RTFM 成功地实现了仅使用单个 H100 GPU，就可以交互式帧率进行推理，实时生成。

可扩展性 (Scalability) ，从视频模型能直接到世界模型

传统的 3D 引擎用的是三角网格、高斯点云、体素渲染等显式结构，完全依赖于复杂的计算机图形学知识。每个物体都要建模、上材质、打光、烘焙阴影。这和我们之前介绍的混元 3D 世界所采用的方法类似，它们主打实现 3D 全管道的生成。

World Lab 选择的路和混元不同，RTFM 不会构建任何显式的 3D 模型。它使用了类似 Sora 的「自回归扩散 Transformer」，直接从视频帧序列中学习世界规律。

举个例子，模型不再需要知道「这是一堵墙」或「那是一盏灯」，它只通过成千上万段视频的学习，学会了什么是「空间感」，学会从输入的 2D 图像序列中预测出下一个新的视角画面。

和生成 3D 资产的路线不同，RTFM 能够更好地利用不断增长的数据和算力，从而实现无限扩展。

持久性 (Persistence) ，让世界模型像 nano banana 一样保持一致。

大部分的视频生成模型有一个天生缺陷就是它们没有记忆。即便现在 Sora 能一次性生成 25 秒的震撼画面，但视频生成结束后，世界就结束了，并不能提供持续的交互。

而如果要记住所有场景，计算负担势必又会随着探索的深入而无限累积。

RTFM 试图解决的，就是让生成的世界具备持续存在的能力。它引入了一个叫「空间记忆」的机制。它为生成的每一帧画面都赋予了在 3D 空间中的精确「姿态」（位置和方向）。

在生成新画面时，模型会采用一种「上下文杂耍」的技术，只调用新画面附近位置的帧作为参考而不是全局内容。

这使得 RTFM 能够做到让我们反复进入这个世界，离开再回来而不会增加计算负担。

目前 RTFM 的 Demo 体验时间只有 3 分钟。3 分钟后它还是会忘记这个世界。我在那个 Demo 里面拖动左右两个摇杆玩了很久，想到了李飞飞之前说的空间智能才应该是 AGI 的下一个方向。

阿里云服务器免费vps