8月26日消息,涌跃智能(Seedleap.ai)今日开源 Zing-0.5,一款约 5B 参数的因果实时互动世界模型,采用 Apache-2.0 协议。模型从当前画面持续推演视觉世界,运行过程中可以用文本提示或 W/A/S/D/I/J/K/L 键盘动作改变世界的语义、运动与未来状态。在 WBench 世界模型榜单上,Zing-0.5 位列总榜第 2、实时世界模型第 1。
Zing-0.5 是什么:可实时交互的因果世界模型
Zing-0.5 与常见的文生视频模型有一个关键区别:它推演而非生成一镜到底。普通视频模型一次输出一段完整视频,Zing 则是以因果方式持续滚动输出,把当前画面作为输入,逐帧往后推演世界,文本与键盘输入可以中途改变推演方向。
两种输入对应两种控制方式。文本提示可以初始化世界,也可以在推演中途切换,改变场景语义与后续演化;键盘动作提供 W/A/S/D/I/J/K/L 八个维度的连续控制,取值 0 到 1,用来操控移动与交互。模型把一次交互会话表示成带时间戳的 JSONL 时间线,输入由提示与键盘控制构成,输出记录为视频,实时应用可以把自身的提示与键盘事件映射到同一套控制结构。
代码与权重已同步上线 GitHub(seedleap/zing-world-model)、Hugging Face(seedleap/zing-0.5)与 ModelScope(seedleap/Zing-0.5),技术报告标注为 Coming soon。
技术要点:5B 基座、四步采样与滑动窗口
Zing-0.5 基于阿里开源视频模型 Wan2.2-TI2V-5B 微调而来,支持文生世界(T2V)与图初始化世界(TI2V)两种形态。实时性的关键在两点:因果 KV cache 避免重复计算历史帧,四步 DMD 采样把每帧的采样步数压到 4 步,两者合起来让模型可以在单卡流水线上滚动推演。
权重目录按 generator 与 pretrained(文本编码器、tokenizer、VAE)分离,generator 下的 model.pt 必须是不带包装的裸 state dict。推理采用滑动窗口注意力,默认配置 local-attn-size 97、sink-size 9,适合 H100 或 80 GB 以上显存的离线推理;实时或小显存场景改用 33/5;需要全历史注意力时用 -1/0。时间结构遵循 1+4N(参考帧加生成帧),分辨率宽高须能被 32 整除,示例常用 480×832,输出为 24 FPS 的 H.264 MP4。
WBench 榜单:总榜第 2、实时第 1
WBench 是美团 longcat 团队维护的多轮互动视频世界模型榜单,评测导航、主体动作、事件编辑、视角切换等互动能力。榜单页显示,Zing-0.5 标注为 SeedLeap.ai 开源、action 4-step 5B realtime,均分 81.0,排在 JoyAI-Echo-1.5(81.6)之后、HiDream-O1-World(80.9)之前,总榜第 2;按榜单的实时世界模型分类口径,Zing-0.5 排在实时类第 1。各分项数据以 WBench 榜单页为准。
与 Loopit 的关系和怎么用
Zing-0.5 的开发方是涌跃智能(Seedleap.ai),项目页挂在 zing.loopit.me,README 末尾直接导流互动内容平台 Loopit。Loopit 由陈炜鹏(前百川智能联合创始人)创立,定位"可以玩的抖音",在 2026 年曾获融资并受到关注。可以把 Zing-0.5 理解为 Loopit 互动内容背后的世界推演底座:App 侧是可玩的短内容社区,模型侧是开源可复现的实时视觉世界模型。
运行需要 Linux、NVIDIA CUDA 与 Python 3.11 环境。仓库提供了 run.sh 一键运行脚本与多个开箱即用示例,覆盖长时序动作 T2V、图像初始化 TI2V、运行中切换 prompt、按键加 prompt 切换等场景,输入均为 JSONL 时间线,一行一次独立世界推演。
训练数据、逐帧延迟与 Loopit App 的在线接入方式尚未公开,技术报告发布前这些信息无法独立核验;榜单数据为 WBench 官方页面口径。今天的开源让 5B 级别的实时互动世界模型有了可复现的基线,它把世界模型的复现成本从动辄百亿参数压到单卡可跑的规模,这对互动内容开发者和世界模型研究者都是直接的参考对象。