从一句话到一个能玩的世界，VAST 把整条链路开源了
在游戏里，如果你走到一扇门前，不确定能不能进去，通常的做法是先转身往回走两步，再跳两下，看看能不能翻过旁边的墙。 这些都是游戏里再普通不过的操作，可是想象一下，如果眼前的画面由 AI 生成，模型就得跟上玩家的每一次临时起意——突然停下，又突然转身，又突然跑跳。这期间，每一帧都得稳定在线。 这就是 VAST 刚刚开源的实时世界模型 EdenLive 所能做到的。它是 Project Eden 系列中的实时生成式渲染器，游戏、动画预览等可交互内容的规则和状态仍由上游交互系统维护，白模、2D/3D 场景，或真实录像，都能作为生成画面的参考。你让角色往前走，或者把镜头转向身后，交互系统将更新后的状态转化为灰盒画面与场景描述，输入 EdenLive，由模型实时渲染出对应的视觉效果让你 一边玩，一边看到 AI 实时生成的世界。 参考不必是一套已经做完美术的游戏——任何视觉素材都可以。一个粗糙的 3D 白模、一段 2D 场景，甚至一段已有录像，都可以提供结构和运动。同一段参考，换一张首帧、一句提示词，就能得到写实、手绘线稿、卡通、像素或油画等完全不同的外观。 拿任意视觉参考，边交互边生成画面 EdenLive 堪称是全能，可以跟着玩家的操作持续生成游戏画面，也可以保留一段视频的运动轨迹和镜头、把人物与环境换成另一种风格；到了具身场景，第一人称的人手操作视频还能改写成机械臂视角的版本。 为了做到这一点，EdenLive 实现的是一种「分工合作」：参考画面决定结构、运动和镜头，生成模型负责重写这些内容最终「看起来是什么」。EdenLive 的三类输入分工明确：参考视频决定场景布局、镜头运动、物体轨迹和事件发生的时间；目标首帧确定主体、材质、配色和画风；文本提示词补充风格和细节，交互中还能在事件发生时追加一句描述。这最终让生成式渲染从离线的视频生成，进入长时游戏交互、视频画风转换、具身数据增强等不同的场景。 在交互持续进行所需的长时生成能力上，EdenLive 取得了不错的突破。基于 Gemini-3.8-Flash 对 45 个长时案例的两两盲评（每组交换顺序各评一次，再按维度计算 Elo 分数），在参考遵循、首帧一致性、物理合理性、画质和避免外观泄漏五个维度上，EdenLive 14B 和 5B 全部排在第一和第二。以参考遵循为例，14B 得分 1704，比 AgentGarten 高出约 200 分。 更强悍的是 EdenLive 对于实时的跟随能力。离线视频生成模型要先拿到完整输入，再整段生成，接不进实时交互，EdenLive 却能够追着不断变化的参考画面往前走。按照团队披露，EdenLive 5B 在单张消费级显卡 RTX 5090 上能以超过 24 FPS 生成 720P 画面，并支持分钟级连续生成。 这对游戏制作来说尤其有意义，玩家按下攻击键之后，最先工作的并不是 EdenLive。武器有没有击中对手、血量应该减少多少、角色又移动到了哪里，都会先由上游交互系统作出判断，并更新到游戏状态里。 在场景和动画预览中，参考可以是白模场景、美术做的粗动画，或由精细模型渲染出的法线图视频。参考不变，只换首帧和提示词，就能在同一个场景、同一段动画上比较不同的材质、光照和配色。镜头离开一处再转回来，参考里的结构还在原处，EdenLive 按同样的结构继续渲染，不必从过去的画面里重新推测。 在游戏里这种连续和一致性，还需要与玩家的操作协同。比如在进入升降装置之后，随着装置下降，整个围栏和网格不能走形，但外面的环境却需要缓缓变化。 面向游戏开发，VAST 同步开源了 EdenGolem（v0.1），一款给编程智能体使用的 skill。只要输入一段玩法描述，智能体便会分四个阶段，依次完成玩法设计、场景搭建、交互逻辑实现与界面完善，生成可独立运行的 3D 灰盒游戏。目前，EdenGolem 已支持解谜、射击、驾驶、冒险、竞技场、格斗等多种游戏类型。 除了根据简单素材生成，EdenLive 也能够理解现实素材，并实现转换。像「闪身步」是真人教学，在保留构图和运镜的同时，人物、画面和笔触都动画化。模型沿着原视频的动作和空间关系，重新生成每一帧，同时不照搬原视频的质感。 还有一个容易被忽略的用途：具身数据增强。 机器人训练中，并不缺「人类怎样擦桌子」的知识， 缺乏的是「从机器人的眼睛看出去，机械手怎样靠近物体、抓住物体并完成动作」的训练素材 。 获得类似视角倒也不难，找一个人戴着头戴相机，擦桌子、开抽屉、倒水，一天可以拍很多段。但真人录像里出现的是人的手臂和五指，机器人部署时看到的却是机械臂和夹爪，两者的外形、运动范围和遮挡方式都不同。模型如果主要用真人视频训练，到了机器人摄像头里，可能会遇到明显的视觉分布差异。 通过 EdenLive 把真人的手替换成机械手，
