字節世界模型晚會首秀：一句話生成場景，鍵盤滑鼠走進 AI 世界

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

字節跳動一款連名字都還沒有的世界模型，10 月 11 日晚間在北京衛視與抖音雙平台直播的《2026 美好奇妙夜》晚會上，被創作者潘天鴻（Tim）用一段七分鐘的演講首次公開演示。觀眾看到的流程很直白：輸入一段文字生成三維房間，用鍵盤與滑鼠在場景裡移動，中途再下指令，讓一支湯匙落到主角面前供他攀爬。北京衛視官方微博當晚 8 點 13 分釋出完整影片，官方帳號在貼文裡直接稱它為世界模型；但截至 10 月 13 日，字節跳動 Seed 官網的模型清單上沒有這款產品的任何條目，名稱、開放時程、價格全部未揭曉。

一場電視晚會，因此成了這款產品目前唯一的公開線索。大型模型公司發表重量級產品，慣例是技術報告、開發者大會或官方部落格，字節這次卻選擇把首次公開演示放進綜藝晚會，交給影視創作者而不是研究員主講，場合本身就自帶訊息：這套東西瞄準的是大眾市場的想像力，不是學術圈的審視。把它當產品發表會來讀會失望，把它當判斷素材來讀，資訊量其實不小。

Pin

七分鐘演講裡可以逐格核對的操作

北京衛視釋出的影片全長 7 分 01 秒，演講名稱是《讓想像此刻登場》，北京衛視的子帳號稱它為整場晚會的開場演講。前半是一輪 AI 生成影片的集錦，雙翼機掠過雪山、紙飛機穿過雲層，舞台大螢幕隨後打出「沒有拍不了的鏡頭，只有想不到的故事」的標語，還示範了教學素材與水墨風格插畫等應用案例；真正屬於世界模型的段落從中段開始，畫面左下掛著世界生成區的標籤。

起手是文字生成場景。輸入一段描述，畫面生成鋪著木地板的房間，鏡頭切到縮小的第三人稱角色視角，桌面上的馬克杯、花瓶與葡萄都變成需要仰望的巨大物件。畫面右側同時浮出鍵盤提示，方向鍵加上 Shift 與空白鍵，角色在房間裡自由走動、轉換視角，鏡頭也能俯視整個場面。

接下來的一段才是重點：即時修改。輸入框標題寫著即時 Prompt 輸入，示範指令是讓一支湯匙落到主角面前、供主角攀爬，畫面隨即多出斜靠在杯緣的巨型湯匙，原來的場景沒有跟著重來。這正是世界模型與一般 AI 影片生成最直接的差別：後者輸出的是一段固定時間順序的成片，播完就結束；前者要維持一個可以被操作、被修改、修改之後仍然連貫的空間狀態，你走過的角落、剛剛生成的物件，回頭時都還要在原地。這種一致性說來平常，卻是此類系統最難的一關，探索時間越長、轉角越多，穿幫的機會就越大，也正是未來拿到公開版本時第一個該壓力測試的地方。

Pin

展示還往電影感推了一步。同一個馬克杯場景一路演到方糖落入黑色咖啡的特寫，光線與景深都朝商業影片的水準靠攏，暗示這套系統的目標已經越過示範用的方塊房間，指向敘事創作。再往後，螢幕切到輸入與輸出對照的介面，輸出畫面裡的小孩推開家裡的木門，門後直接接上冷色調的太空船走廊，兩個原本毫無關係的空間被一扇門連通，小孩就這樣從屋內走進艙道、站到能看見星空的舷窗前。跨空間連通能不能撐住長時間探索，畫面裡沒有答案，但「把兩個世界縫在一起」這個動作本身，已經超過目前公開的影片生成產品會做的事。

Pin

這些段落前後還鋪了兩層脈絡。演講中段播了一段有人物對白與分鏡的劇情短片，後段又拉出一面標著 2026 用 AI 做影片的案例牆，把一整年用生成模型產出的畫面縮圖鋪滿螢幕。安排的用意不難讀：過去一年 AI 已經接手了「畫面怎麼來」，晚會上這七分鐘要示範的是下一步，把畫面變成可以走進去、可以改的空間。世界模型在字節的敘事裡，接在生成影片之後自然長出來。

同一套技術的另一個用途：訓練機器人與模擬駕駛

演講後段出現了兩個與創作無關的展示。先出現的畫面標籤是機器人訓練，多機位畫面記錄機械手臂在廚房與實驗台上抓取物品的過程；接著的標籤是自動駕駛環境模擬，三聯畫面播放行車視角的街道，油罐車、行人走過斑馬線、紅綠燈路口一一入鏡。

Pin

這兩段指向世界模型在內容生成之外的產業用途：把現實環境變成可以反覆生成、反覆驗證的虛擬訓練場，讓機器人和自駕系統在裡面練習真實世界裡稀缺或危險的場景。國外團隊已經在走同一條路，Odyssey-3 就把同一個基礎世界模型同時用在自駕與人形機器人上（可參考先前的 Odyssey-3 世界模型報導）。字節這次的展示沒有公布任何訓練成果數字，畫面本身只證明方向存在。

值得注意的是場合的選擇。機器人訓練與自駕模擬離一般觀眾很遠，世界模型最貼近大眾的面貌仍然是晚會現場那段可走、可改、可連通的場景。把訓練應用放進同一場演講，等於預告字節對這套技術的定位是平台而非單一功能，至於兩條線什麼時候各自落地，影片裡同樣沒有交代。

官方的沉默，與九月那則彭博報導

活動隔天，中國創投媒體投資界以字節世界模型首次亮相為軸做了長文解析，微博上汽車類帳號跟進，稱這場展示印證了彭博九月的一則報導。

那則報導的時間點剛好可以對照。彭博在 9 月 7 日引述匿名知情人士指出（內容經科技媒體 The Next Web 同日轉述），字節跳動正在準備一套即時空間影像模型，創辦人張一鳴親自督軍，最快十月推出，但時程未定、不排除變動；模型將建在 Seedance 影片生成系統之上，用於直播、短劇與遊戲的互動虛擬世界。傳聞規格是每秒約 20 幀、延遲約 0.05 秒、在雲端渲染，並配合字節旗下的 Pico 頭戴裝置，讓生成的世界回應使用者的聲音與動作。雲端渲染是策略核心：運算不放在頭戴裝置上，硬體就能更輕更便宜，競爭也從硬體規格轉向模型、雲端容量與內容傳遞，而這三樣字節都已經有。

TNW 同一篇另引 36kr 年初的調查：世界模型位列字節 2026 年 AI 四大優先方向之首，排在其餘三個方向之前，資料預算是各模型方向中最大的一筆，規模為人民幣八位數、約為對手的三到四倍，目標是年底前至少推出一款，並以 Google 的 Genie 為衡量基準。Genie 目前已經開放讓使用者在即時渲染的街景影像裡走動，走的是消費端可玩的路線；字節選擇從衛視晚會出發，起手式明顯不同。

把這條時間軸與晚會展示並排，這場演出更像是發布前的暖場：彭博說十月，字節十月第二個週末把半成品搬上衛視晚會交給創作者演示，官方管道全程沒有發布任何公告。Seed 官網列出的模型成果仍然是 Seed2.1、Seedance 2.5、Seedream 5.0 Pro、SeedRealtime、Seed Audio 1.0、Seed GR-RL 六項，論文清單裡有 Seedance 2.0 與三維內容生成的研究，唯獨沒有這款互動世界模型的名字。

電視播出版能證明什麼，不能證明什麼

對觀眾來說，這段影片的證據力有明確上限。能確認的是展示內容：操作介面、輸入的指令、場景的變化、空間連通的段落，以及機器人與自駕兩個訓練應用，這些都在官方影片裡逐格可查。北京衛視兩個官方帳號在貼文中把它稱為世界模型，晚會又是抖音與北京衛視的雙平台直播，展示出自字節技術的推斷有足夠支撐，投資界的報導也做了同樣認定。

不能確認的也一樣清楚。電視播出版無法證明畫面是現場即時生成，還是預先渲染的錄製內容；這個疑慮並不吹毛求疵，傳聞規格裡 0.05 秒的延遲如果屬實，現場直播示範本該是最有說服力的證明方式，而播出版看不到任何等待時間的資訊。單次指令的等待時間、生成解析度、能維持的場景複雜度、視角回頭時的一致性極限，全部沒有揭露。彭博報導裡每秒 20 幀與 0.05 秒延遲的規格，規格數字同樣出自匿名知情人士、未經證實，字節發言人當時對彭博的詢問不予回應。對創作者最實際的問題，例如場景能不能匯出成 Blender 或遊戲引擎可用的三維檔案、生成一個房間要等多久、成本怎麼算，目前一個都答不了。

換句話說，現在能做的結論只有一種：承認方向，保留驗收。世界模型走向消費級創作的路線，在這場展示裡已經有了可看的外形；它距離每天能用的工具還有多遠，要等字節自己開口。

正式發布時，可以對照的答案清單

如果彭博的十月時程可信，字節的正式公告可能就在近期，十月結束前若毫無動靜，傳聞時程就需要重估。屆時可以直接用這場晚會展示當基準：產品名稱與使用管道（獨立應用、即夢平台整合，還是 Pico 頭戴裝置優先）、上面答不了的等待時間與匯出問題逐一核對，再加上每秒幀數與延遲的實測是否接近傳聞的 20 幀與 0.05 秒、即時指令修改的範圍有沒有晚會展示的那麼大，以及台灣使用者能不能直接使用。

三維生成這條線上，Hyper3D 的代理生成模式已經把可編輯模型做成按點數計費的服務；字節選擇的路線更激進，直接生成能走進去、能連通的空間。兩者誰先變成創作者每天的生產工具，會是接下來幾個月最值得追的問題。晚會的結尾，潘天鴻把一支白色紙飛機擲出，呼應晚會的《紙飛機》歌曲，大螢幕最後落下一行書法：科技讓每個人的想像起飛。廣告般的收尾背後，模型還沒有名字，這是此刻最誠實的註腳。