昆侖萬維正式開源Matrix-Game：從圖像出發(fā)構建可控交互世界，重塑交互式世界生成標桿

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模型，專為開放式環(huán)境中的高質量生成與精確控制而設計。

空間智能作為AI時代的重要前沿技術，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，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)等領域展現出巨大潛力。

昆侖萬維長期關注空間智能的新進展，經過不懈的技術研發(fā)，今天正式開源Matrix-Game，不僅刷新了交互式世界生成的技術上限，也為構建通用虛擬世界基座樹立了全新標桿。

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成：

1.Matrix-Game-MC數據集：自主構建的大規(guī)模交互世界數據集，包含兩類數據：一是大規(guī)模無標簽的Minecraft游戲視頻，二是帶有鍵盤與鼠標控制信號的 Minecraft 與 Unreal 可控視頻數據，具備精細的動作注釋。該數據集支持對復雜環(huán)境動態(tài)與交互模式的高效建模與學習。

2.Matrix-Game主模型：基于先進擴散模型技術開發(fā)的圖像到世界生成框架，能夠根據用戶輸入(鍵盤指令、鼠標移動等)生成連貫、可控的互動視頻，兼顧視覺質量、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準，從視頻的視覺質量、時序質量、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，填補了該領域缺乏系統(tǒng)性評測基準的空白。

通過兩階段訓練策略(無標簽數據預訓練 + 標注數據可控訓練)，參數規(guī)模達 17B 的 Matrix-Game 世界基座模型在空間理解、用戶指令響應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：

細粒度用戶交互控制：支持前進、跳躍、攻擊、視角移動等細節(jié)操作，根據用戶輸入響應，操作體驗準確自然。

高保真視覺與物理一致性：生成結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 標準，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 世界生成任務的各項指標上實現了全面超越，尤其在交互可控性和物理一致性理解方面表現尤為出色。此外，得益于 Unreal 數據的融入，Matrix-Game 在泛化到更廣泛的通用游戲場景方面展現出明顯優(yōu)勢。

來源：Matrix-Game技術報告

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)實現可控生成，包括基礎運動、復合運動、視角運動等。例如，在一個沙漠場景中，Matrix-Game 能夠根據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，以及鼠標用于視角移動)，生成對應的游戲世界視頻，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。

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

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

接下來，我們來看看Matrix-Game是如何達到這樣的效果的。

01

數據構建：大規(guī)模高質量Matrix-Game-MC數據集

為構建能夠理解物理規(guī)則并具備交互生成能力的世界基礎模型，Matrix-Game 自主構建了大規(guī)模 Matrix-Game-MC 數據集，涵蓋從無標簽預訓練數據到精細標注的可控視頻的完整流程，兼顧數據規(guī)模與質量。

無標簽預訓練數據集采用三階段過濾機制從6000小時的MineDojo數據中過濾出近千小時高質量數據: (1) 畫質與美學過濾;(2) 非游戲內容剔除;(3) 動態(tài)與視角穩(wěn)定性過濾。

有標簽數據采用兩種策略混合生成數千小時的可控監(jiān)督數據：

探索代理(Exploration Agent)：借助 VPT agent 在 MineRL 環(huán)境中進行自動探索，生成大規(guī)模、高質量的 Minecraft 視頻數據，數據中包含精確的鍵盤與鼠標控制信號，支持可控性學習。

程序化模擬(Unreal Procedural Simulation)：基于 Unreal Engine 手動構建結構清晰、標簽精確的模擬交互場景，提供位置信息、動作標簽(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、無噪聲的可控標注數據，助力高保真動作-響應建模。

02

模型架構：Matrix-Game從圖像出發(fā)構建可控交互世界

Matrix-Game是以圖像為輸入的交互式世界生成基礎模型，整體架構圍繞以下幾個核心設計：

圖像到世界建模(Image-to-World Modeling)

強調空間智能能力：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)，通過類似 Flux 與 HunyuanVideo 的多模態(tài)擴散模型直接生成虛擬游戲世界的視頻內容。

自回歸式視頻生成(AutoregressiveDiffusion Generation)

支持自回歸方式擴展生成長度，可持續(xù)生成高一致性長視頻內容;

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

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

可控交互設計(Injecting Actions for Controllability)

鍵盤動作(如上下左右、跳躍、攻擊)以離散token表達，視角移動動作(如鼠標pitch角度)則以連續(xù)token表達;

采用GameFactory的控制模塊，并融入多模態(tài)Diffusion Transformer架構;

使用 Classifier-free guidance策略提升對控制信號的魯棒響應能力。

03

評測體系與模型性能：提出統(tǒng)一基準 GameWorld Score，重塑交互式世界生成標桿

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 世界建模設計的統(tǒng)一評測框架——GameWorld Score。該評測體系彌補了現有基準在交互性、物理一致性等維度的缺失，首次實現了對感知質量 + 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：

視覺質量(Visual Quality)：評估每一幀圖像的清晰度、結構一致性與真實感。依據人類視覺系統(tǒng)(HVS)標準衡量每一幀圖像生成效果。

時序質量(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)：評估生成結果是否準確響應用戶輸入的控制信號，涵蓋離散控制(如前進、跳躍)和連續(xù)控制(如視角轉換)。

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先成績，全面超越現有開源基線模型 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，準確響應鍵盤與鼠標指令;

98.23% 視覺質量得分，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：“運動”“攻擊”等動作高達 90%+ 準確率;細粒度視角控制下依然保持高精度響應。

在 8 大典型 Minecraft 場景中全面領先，展現出卓越的環(huán)境適應性與泛化能力，可廣泛應用于復雜動態(tài)的虛擬世界交互任務。

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

04

昆侖萬維引領交互式世界生成新紀元

Matrix-Game作為空間智能領域交互式世界生成的重要里程碑，將潛在為多個領域帶來革命性影響：

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、結構合理的游戲地圖與交互環(huán)境，顯著提升關卡設計與任務構建的自由度。

影視與元宇宙內容生產：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)意內容生成提供通用世界建?；A。

具身智能體訓練與數據生成：盡管當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，具備擴展至具身智能體訓練與評估的潛力，可為智能體創(chuàng)建多樣復雜的虛擬環(huán)境，輔助其任務執(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)投入前沿技術與基礎模型研發(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短劇生產和編輯以及AI游戲生產等業(yè)務進一步賦能，為用戶和開發(fā)者帶來新的平臺和工具。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。