昆侖萬維正式開源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，昆侖萬維正式開源(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)界首個開源的10B+空間智能大模型，它是一個面向游戲世界建模的交互式世界基礎(chǔ)模型，專為開放式環(huán)境中的高質(zhì)量生成與精確控制而設(shè)計。

空間智能作為AI時代的重要前沿技術(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，也在具身智能、影視制作、游戲開發(fā)等領(lǐng)域展現(xiàn)出巨大潛力。

昆侖萬維長期關(guān)注空間智能的新進(jìn)展，經(jīng)過不懈的技術(shù)研發(fā)，今天正式開源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，讓用戶可以通過簡單直觀的指令，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)模無標(biāo)簽的Minecraft游戲視頻，二是帶有鍵盤與鼠標(biāo)控制信號的 Minecraft 與 Unreal 可控視頻數(shù)據(jù)，具備精細(xì)的動作注釋。該數(shù)據(jù)集支持對復(fù)雜環(huán)境動態(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)移動等)生成連貫、可控的互動視頻，兼顧視覺質(zhì)量、時序一致性與物理合理性。

3.GameWorld Score評測體系：提出統(tǒng)一的游戲交互世界評估標(biāo)準(zhǔn)，從視頻的視覺質(zhì)量、時序質(zhì)量、動作可控性與物理規(guī)則理解四個維度，全面量化模型性能，填補了該領(lǐng)域缺乏系統(tǒng)性評測基準(zhǔn)的空白。

通過兩階段訓(xùn)練策略(無標(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：

細(xì)粒度用戶交互控制：支持前進(jìn)、跳躍、攻擊、視角移動等細(xì)節(jié)操作，根據(jù)用戶輸入響應(yīng)，操作體驗準(zhǔn)確自然。

高保真視覺與物理一致性：生成結(jié)果在保持視覺連貫的同時，遵循自然物理規(guī)律，如重力、碰撞等，顯著提升沉浸感。

多場景泛化能力：具備對多種 Minecraft 游戲場景的泛化能力，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 開源方案 Oasis 和微軟開源模型 MineWorld 對比，Matrix-Game 在 Minecraft 世界生成任務(wù)的各項指標(biāo)上實現(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景方面展現(xiàn)出明顯優(yōu)勢。

來源：Matrix-Game技術(shù)報告

Matrix-Game能夠在不同Minecraft場景下(如森林、沙灘、沙漠、冰川、河流、平原等)實現(xiàn)可控生成，包括基礎(chǔ)運動、復(fù)合運動、視角運動等。例如，在一個沙漠場景中，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)，生成對應(yīng)的游戲世界視頻，支持角色的前后左右移動、跳躍、攻擊以及視角變換等動態(tài)行為。

在此基礎(chǔ)上，Matrix-Game 支持自回歸式的長視頻生成，不僅能實現(xiàn)動作與視角之間的絲滑銜接，還在時間一致性與環(huán)境適應(yīng)性方面表現(xiàn)出色，為開發(fā)沉浸式長時體驗、創(chuàng)意內(nèi)容生成及游戲設(shè)計等應(yīng)用奠定了堅實的模型基礎(chǔ)。

不僅如此，在非Minecraft場景泛化上，Matrix-Game表現(xiàn)得也非常出色。

接下來，我們來看看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。

無標(biāo)簽預(yù)訓(xùn)練數(shù)據(jù)集采用三階段過濾機(jī)制從6000小時的MineDojo數(shù)據(jù)中過濾出近千小時高質(zhì)量數(shù)據(jù): (1) 畫質(zhì)與美學(xué)過濾;(2) 非游戲內(nèi)容剔除;(3) 動態(tài)與視角穩(wěn)定性過濾。

有標(biāo)簽數(shù)據(jù)采用兩種策略混合生成數(shù)千小時的可控監(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，支持可控性學(xué)習(xí)。

程序化模擬(Unreal Procedural Simulation)：基于 Unreal Engine 手動構(gòu)建結(jié)構(gòu)清晰、標(biāo)簽精確的模擬交互場景，提供位置信息、動作標(biāo)簽(離散與連續(xù))、以及環(huán)境反饋信號(如方塊是否成功破壞)，生成高精度、無噪聲的可控標(biāo)注數(shù)據(jù)，助力高保真動作-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)圍繞以下幾個核心設(shè)計：

圖像到世界建模(Image-to-World Modeling)

強調(diào)空間智能能力：不依賴語言提示，僅基于視覺信號建?？臻g幾何、物體運動及其物理交互;

輸入形式：以單張參考圖像作為生成交互式視頻的起點;

交互可控生成：融合用戶動作輸入(如鍵盤、鼠標(biāo))，通過類似 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(AutoregressiveDiffusion Generation)

支持自回歸方式擴(kuò)展生成長度，可持續(xù)生成高一致性長視頻內(nèi)容;

每次以前一視頻片段的最后 k=5幀作為運動上下文，逐段遞進(jìn)生成，確保時間上的連貫性;

為緩解時序漂移和誤差累積，訓(xùn)練中以一定概率針對參考圖像與運動上下文引入隨機(jī)擾動、隨機(jī)刪除，以及Classifier-free guidance策略。

可控交互設(shè)計(Injecting Actions for Controllability)

鍵盤動作(如上下左右、跳躍、攻擊)以離散token表達(dá)，視角移動動作(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策略提升對控制信號的魯棒響應(yīng)能力。

03

評測體系與模型性能：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)計的統(tǒng)一評測框架——GameWorld Score。該評測體系彌補了現(xiàn)有基準(zhǔn)在交互性、物理一致性等維度的缺失，首次實現(xiàn)了對感知質(zhì)量 + 控制能力 + 物理合理性的全方位衡量。

GameWorld Score 包含四大核心評估維度：

視覺質(zhì)量(Visual Quality)：評估每一幀圖像的清晰度、結(jié)構(gòu)一致性與真實感。依據(jù)人類視覺系統(tǒng)(HVS)標(biāo)準(zhǔn)衡量每一幀圖像生成效果。

時序質(zhì)量(Temporal Quality)：衡量模型生成視頻的動態(tài)連貫性，包括運動連續(xù)性、節(jié)奏平滑性與時間穩(wěn)定性。

交互可控性(Action Controllability)：評估生成結(jié)果是否準(zhǔn)確響應(yīng)用戶輸入的控制信號，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)：測試生成視頻是否遵循物理常識與空間一致性。

在GameWorld Score評測系統(tǒng)中，Matrix-Game在視覺質(zhì)量、時間一致性、動作可控性與物理規(guī)則理解四大維度上均取得領(lǐng)先成績，全面超越現(xiàn)有開源基線模型 Oasis 與 MineWorld。

在雙盲人評實驗中，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、連貫、可信;

93.76% 動作控制偏好，準(zhǔn)確響應(yīng)鍵盤與鼠標(biāo)指令;

98.23% 視覺質(zhì)量得分，單幀畫面更清晰美觀;

89.56% 時間一致性得分，動態(tài)流暢，無閃爍跳變。

在控制性能上，Matrix-Game可實現(xiàn)：“運動”“攻擊”等動作高達(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)雜動態(tài)的虛擬世界交互任務(wù)。

Matrix-Game用事實證明，它不僅能“看得清”，更能“動得準(zhǔn)、控得穩(wěn)”，是當(dāng)前工業(yè)界最強的交互式世界生成基座模型之一。

04

昆侖萬維引領(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，將潛在為多個領(lǐng)域帶來革命性影響：

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、物理一致的動態(tài)場景合成，為沉浸式體驗開發(fā)與創(chuàng)意內(nèi)容生成提供通用世界建模基礎(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。昆侖萬維正站在空間智能時代的新起點，邀請每一位探索者一起，用指尖繪制屬于自己的無限虛擬世界。

未來，昆侖萬維將持續(xù)投入前沿技術(shù)與基礎(chǔ)模型研發(fā)，并且堅定開源SOTA級別模型回歸社區(qū)。我們相信，Matrix系列世界模型將對公司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，為用戶和開發(fā)者帶來新的平臺和工具。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。