量子位 | QbitAI
近期，全球多个世界模型成果密集发布。阿里ATH（Alibaba Token Hub）事业群成立满一个月之际，推出全球首个支持主动式实时交互的世界模型产品HappyOyster（快乐生蚝）。
HappyOyster搭载原生多模态架构，支持多模态输入与音视频联合生成，提供漫游（Wander）、导演（Direct）、创造（Create）和分享（Share）四大核心功能。
在漫游模式下，用户通过WASD或方向键实时控制角色位移及镜头视角，沉浸式探索AI生成的可交互世界。以滑雪场景为例：输入Prompt即可实时穿梭雪场。
导演模式实现动态视频创作。区别于传统“输入prompt→等渲染”流程，用户可在生成过程中随时通过文字指令调整镜头、色彩及剧情走向，画面即时响应。
创造模式将生成体验从“生成视频”升级为“创造完整世界”，用户作为深度参与者全程掌控内容。所有生成世界均支持共享，供他人探索或二次创作。
目前HappyOyster需通过申请邀请码体验，量子位已获授权进行首发体验。
核心功能详解
漫游模式支持文本及图片输入，用户可分别设定角色（Character）与场景（Scene），自由切换第一/第三人称视角。
生成世界包含动态NPC与背景音乐，沉浸感显著。例如生成海边小镇后，系统会自动录制探索过程，视频可在个人主页查看下载。
当前分辨率为480p，单次探索时长限制为1分钟。该模式兼容多种视觉风格，如像素风场景实现流畅转换。
画廊（Gallery）提供用户共享的世界库，支持即时探索油画等艺术风格作品。
导演模式可调整分辨率（720p/480p），设定叙事风格（Regular/Peaceful/Dramatic）及运镜方式（Steady/Fast）。用户输入新指令后，视频内容实时更新。例如，在熟睡场景中添加“猫跳上床”的指令，系统立即生成相应画面。
该技术适用于文旅展陈、机器人训练、教育演练等需“实时感知—实时生成—实时反馈”闭环的场景，通过连接摄像头、传感器等设备，动态生成对应交互内容。
HappyOyster的核心能力在于对开放世界状态进行持续建模与响应，未来有望延伸至线下娱乐、数字人陪伴等智能空间交互领域。
原生多模态架构与流式生成世界模型
作为阿里今年3月16日成立的创新事业群，ATH涵盖通义实验室、MaaS业务线等团队，聚焦Token创造、输送及应用。
长时世界建模
采用长时世界演化建模技术，基于海量长视频数据捕捉真实世界运行规律。通过持续状态复用机制及历史注意力状态传递，解决内容漂移与结构退化问题，确保长时间生成的高保真与一致性。
实时交互控制响应
在建模初期引入文本、Action等多模态控制信号，实现交互指令对世界演化的持续影响。模型通过对世界状态的高度压缩隐式建模，显著降低单步计算开销，支持低延迟推进及交互信号在线注入。
音视频联合生成
突破传统分阶段建模局限，采用统一框架同步生成视觉与听觉信号。音频作为世界动态参与联合生成，自然建立跨模态时间对齐，保障音画同步与语义一致性。
三大技术突破使HappyOyster从“生成像素”升级为“可进入世界”，打破用户与数字世界的“第四面墙”。团队强调：下一代生成式AI将构建具备空间、物理、因果关系的完整数字世界，支持用户推门而入、亲手改写及共享探索。
其命名灵感源自莎士比亚名句“The world is your oyster. Open it.”，象征通过一句话开启可漫游、可导演、可分享的数字世界。
