9月1日消息,Runway 发布 Solaris,称之为首个界面世界模型(Interface World Model)。它由 Runway 的视频模型 Gen-4.5 改造而来,实时逐帧渲染出可交互的界面,画面本身直接承载交互,不经过代码。官方公布了它与前沿模型"先出图再转代码"路径的人工评判对比,称 Solaris 在指令遵循和自然行为两项上明显领先。模型目前开放早期访问申请,尚未公开可用。
画面即界面:界面不再以代码为载体
Runway 在公告里给的理由是:传统软件要把视觉设计转译成代码这类中间表示,交互的可能性和视觉的保真度都在这一步受损。Solaris 的做法是让一个世界模型同时处理渲染和交互,官方的表述是"整个画面即界面"。
使用时的形态是:用户提供起始画面,模型实时流式生成后续帧,没有预定义的页面和模板;点击、拖拽这些操作和文本、图像一样,充当生成下一帧的条件信号。交互本身用自然语言描述,场景里的任何对象都能被定义成工具。官方举的例子:点击一只猫之后,后续点击可以复制它的毛色质感。
模型内部是分工制。语言模型负责推理,解读用户的请求,决定是修改当前场景还是切换场景,再生成引导渲染的提示词;世界模型只负责逐帧画出来。
从视频模型到实时交互模型
改造要解决两件事:让视频模型理解交互,再让它快到能实时响应。Runway 分了三步:先把模型改成自回归的逐帧生成,再把多步去噪蒸馏成少数几步,最后用模型自己的输出继续训练,保持长会话的质量。速度被官方当作生死线:延迟到半秒左右,交互感就消失了。目前视觉质量保持在 720p。
Solaris 延续的是 Runway 此前的通用世界模型 GWM-1 的路线,这一次,那条路线从可导航的虚拟环境拐向了软件界面。
和代码路径比的账
官方拿出了两组对比。第一组是重建基准:让多模态大模型(其中包括 Claude Fable 5)从截图重建 30 个界面,用 SSIM 结构相似度和 DINOv3 视觉特征衡量,结论是界面视觉越复杂,转译路径丢的信息越多。 第二组是人工评判。同一起始图、同一交互请求,一边是 Solaris,一边是 Claude Opus 5 生成代码搭出来的界面,250 名参与者对 30 个交互示例做了近 7500 次成对评判。指令遵循一项,Solaris 拿到 61%,代码界面 24%,另有 13% 视为相当;自然行为一项是 71% 对 21%,6% 相当。
这两组数据都出自 Runway 自己的评测,目前没有第三方复现。
早期访问开放,短板清单官方自己列了
Solaris 还没有公开可用。官网的入口是一份早期访问申请表单,要填姓名、企业邮箱、公司名称和规模;公开发布的时间表目前没有给出,官方只说正在与关键合作伙伴推进。
短板也写得直接。稳定可读的文字生成、基于真实素材的可信度锚定、超长会话的表现、无障碍和现有软件栈的集成,这四项都在官方承认的局限清单里;速度、长会话一致性和成本,是官方点名的三道工程关。
世界模型找到了软件这块落点
世界模型这条线,此前对准的多是可导航的三维环境。Google DeepMind 的 Genie 3 用文本生成照片级世界,已经通过 Project Genie 进到 AI Ultra 订阅用户手里;Runway 自己的 GWM-1 也是同一路线。Solaris 把同一套实时逐帧的能力对准软件界面,给世界模型找了一个离商业场景更近的位置。直接渲染界面这条路,目前公开层面上还没有第二家官宣。
Runway 的赌注押在自己的论点上:界面不需要代码作载体。眼下的证据是人评领先,加上一份官方自认的短板清单。长会话一致性和文字生成这两项补不上,Solaris 就停在演示层面;补上了,它才真正开始与写代码的路径正面竞争。公开发布之前,那组人评数据是外界唯一可参照的账本,而记账的是 Runway 自己。