新智元报道，模型正在逐渐取代传统应用的趋势愈发明显，而最近开源的视频世界模型——“可以玩的抖音”Loopit引起了广泛关注。在过去几个月，实时视频世界模型变得热闹非凡，各种团队如PixVerse、LingBot及阿里的“快乐生蚝”等相继发布了实时视频世界模型的Demo，转向互动内容、娱乐和AI游戏的探索。这些项目传达的信息相似：当视频能够持续生成并能实时响应时，观众不再是单纯的旁观者，而是能够置身于一个由模型构建的虚拟世界。显然，行业对视频模型的期待正在升高，正向互动娱乐等领域扩展，仿佛是“模型反向撼动应用”的序曲。

然而，新智元发现，Loopit这个特别的参与者打破了这一现状：其发布的实时互动世界模型Zing-0.5在美团LongCat与复旦大学联合发起的可交互视频世界模型评测WBench中荣获第一名。目前，该模型已开源，并计划在两周内在Loopit的海外版APP上推出相关功能。Loopit，以“可以玩的抖音”而闻名，曾获得马斯克的点赞，在欧美娱乐榜单上迅速攀升并完成了1亿美元的融资。这家专注于消费者产品和全球拓展的公司主动开发实时互动世界模型，并在评测中取得佳绩，似乎反转了传统的“模型取代应用”的神话。

此次发布不仅是应用公司参与模型开发的重要进展，更展现了Loopit对行业未来的三大颇具争议的见解：首先，空间探索和实时语义生成的结合控制只是实时视频世界模型进入互动内容的基本起点；第二，单纯的实时视频流无法直接到达世界模型的终极形态，要实现多人在线、持续可交互的数字世界，需先通过代码维护状态与因果，再通过像素完成开放的生成式渲染，也就是模型被命名为Zing-0.5的原因所在；第三，模型与应用的结合不是一种商业选择，而是发展端到端互动世界模型及构建互动内容的必由之路，未来有可能将状态、规则和渲染统一于一个模型中。

Loopit在开源实时视频世界模型的同时，也对实时视频模型的“理想”进行了剖析。其并未否认端到端模型的最终目标，而是提供了一条全新的实现路径：通过Coding与Pixel相结合先将世界运行起来，再从中演化出端到端的模型。Zing-0.5在WBench评测中夺得第一名，其互动性使得用户不仅能控制“去往何处”，还可以决定“发生何事”。该模型通过两个并行的控制链，允许用户用键盘或手柄进行空间探索，并以自然语言指令改变世界的状态。Loopit称这种能力为“联合控制”：空间操作决定用户的目的地；而语义输入则决定世界的变化；两者共同促进持续生成的内容，而新指令会融入当前世界中，而非替换成新视频。

在这一控制机制下，新智元体验了五个逐步深入的案例。案例一中，用户在骑龙飞行43秒后输入“龙嘴巴喷火”，随之而来的是火焰与烟雾的出现，而龙的飞行并未中断，周围的洞穴、瀑布等场景依旧保持原样。案例二增添了难度：用户输入指令让主控人物跪下祈祷时，所有雕像随即睁眼，内容不变但表现形式发生了变化，这要求模型能够分清“谁”与“什么”发生了变化。案例三则进行实时对比，当第一条“暴风雪”的影像生效时，第二条关于“远方人像睁眼”的指令紧随其后，考察模型在不断变化环境中的适应性。最后的案例评估了在持续生成过程中，主角和环境能否保持连贯性与一致性，从多个角度展示了Zing-0.5的强大能力与灵活性。