L1 · 世界模型

RayWorld R1 离线 × Live 实时

相机,
成了参数。

常规视频模型逐帧猜像素,大幅转镜时容易不一致。RayWorld 把相机位姿作为条件叠进注意力,镜头成了可传、可复现的参数。

RAY FIELD · 每个画面块一条视线示意

示意:蓝色视线表示相机参数如何对应到画面的每一个块。整帧仍然完整计算,视线是叠进注意力的条件。

0.07元/秒
RayWorld R1 768p 单秒价格;在小影马上即每秒 1 积分。
已上线
1/0
约为主流同类(约 1 元/秒)的 1/14。
已上线
0路 · 25fps
RayWorld Live 单张 RTX PRO 4500 并发直播,0 掉帧。
生产实证
2K
R1 单段 4–15 秒,最高 2K,可直接带声成片。
已上线
第三条路

不赌像素,
也不仿真整个世界。

常规视频模型没有显式的几何条件;全量 3D 仿真算力高,也出不了成片。RayWorld 走第三条路。

「视线场(Ray Field Conditioning)」:把相机位姿编码成与画面块对齐的视线参数,作为条件叠进 DiT 的注意力——模型每一帧都知道镜头从哪里、朝哪里看。

维度常规 DiT 视频模型全量 3D 仿真 / 重建RayWorld
空间一致性没有几何条件,大幅转镜时容易不一致强(显式网格)强(视线场几何条件,同一段生成内)
相机控制文字粗描述,不可复现完全可控相机位姿与路径作为请求参数,可被智能体调用
推理算力 行业观察1×10–100×(机房级集群)与常规 DiT 同量级(约 1×),单张 RTX PRO 4500 可运行
输出形态视频可漫游空间,不是成片直接交付带声成片,最高 2K
价格(768p)约 1 元/秒订阅制,并发难约 0.07 元/秒 已上线
回望测试

同一段生成里,
镜头转开再转回,东西还在原位。

相机转身 180° 再回到起点。没有几何条件,模型只能重新猜一遍画面;RayWorld 每一帧都带着同一套相机视线。

PAN 180° → RETURN

示意动画,虚线框是出发时物体的位置。一致性只在同一段(4–15 秒)生成内成立;跨镜头的场景记忆是 R2 的研发目标。真实样片见下方。

真实样片 · RayWorld R1

不是动画,是 R1 直接生成的画面。

每段都是一次生成里的极限运镜,看镜头剧烈运动时空间是否还成立。

环绕主体相机绕骑马的人运动,人物、马和道路的相对位置保持一致
镜头猛晃剧烈晃动中,教室的空间结构不塌
多人场景镜头转开再转回,学生还坐在原来的位置
黑板上的字转开再转回,字的内容与位置不变
空场篮球相机跟随球落地,球场线条与透视保持稳定

样片来自 rayworld.ai,每段约 5 秒,已压缩为网页预览。

RayWorld R1 · 离线世界模型

智能体写不好「镜头往右一点」,
但能写准一行 JSON。

相机位姿(位置 xyz + 朝向 yaw / pitch / roll)成为请求参数:yaw ±180°、pitch ±40°,支持 roll;四种原生模式,可传参、可复现。H2 Harness 与小影马直接调用这个接口编排镜头。


        

示意交互:线框按参数实时投影,右侧是智能体发送的同一结构 JSON。R1 同时支持全模态参考——文字、首尾帧、最多 9 张图、3 段视频、3 段音频,都可以和相机参数叠加。

怎么做到的

在开源基座上做结构改造,
分三步。

方法由豪泓在 RayWorld R1 上首先落地,再沉淀为 H2MC 的后训练服务,同样用来把企业的业务约束写进模型。

01 · 拆解

找到最小改动面

逐层探查梯度与表征敏感度,只改必要的那一层。改大了,原有能力会崩掉。

02 · 接线

把相机位姿接进注意力

视线参数与画面块对齐,作为条件叠进注意力。接错层,条件就不生效。

03 · 保能力

逐项回归,压回单卡

计数、相对位置、文字稳定、极限旋转逐项回归,再用步数蒸馏与量化把成本压回单卡。

RayWorld Live · 实时直播模型

一张照片,两种开法。

两路交替占用同一张卡,每路每 40 毫秒出一帧(25fps)。相机作为每帧的条件输入,再叠加时空注意力稀疏化、步数蒸馏与帧间潜变量复用,把单帧计算压进预算。

模式一

数字人实时互动直播

上传一张照片,装入人设与企业知识库。冷场主动暖场、送礼即时感谢、弹幕提问实时解答,口型与微表情同步。三步推流到抖音、视频号、小红书。

适合:品牌带货、本地生活、企业客服与科普直播间。

模式二

互动剧情直播

观众的弹幕、点赞与投票实时变成相机指令和剧情分支,边看边改镜头与走向,生成连续不穿帮的剧情流。

适合:互动影游直播、虚拟偶像、文旅实时导览、沉浸式发布会。

演示直播间仍在持续调试与升级,画面和功能可能随时变化;如暂时打不开,请稍后再试。

25fps
实时出流,每路每 40 毫秒出一帧。
生产实证
2路
同一张 RTX PRO 4500(32GB · 200W)并发,两路交替占用 GPU。
生产实证
0掉帧
两路长时间运行。
生产实证
流式
每一帧依据当前相机参数生成,帧间复用潜变量。
已上线
推理成本 已上线

成本,
是工程做出来的。

价格由成本结构决定:H2GC 把模型放进单卡,H2MC 用蒸馏与量化压下步数和精度。

清晰度单价15 秒一段适合
480p0.03 元/秒0.45 元分镜预演、批量试拍、智能体自动草稿
768p0.07 元/秒1.05 元短剧 / 漫剧量产、广告电商、短视频成片(约为同类 1/14)
2K0.20 元/秒3.00 元影视预演、高端广告、合成数据

RayWorld 在小影马上按积分售卖:1 积分 = 0.07 元,768p 每秒 1 积分。在 yingma.tv 使用

算一算
RayWorld R1768p · 0.07 元/秒
主流同类768p · 约 1 元/秒

对比只在 768p 成立:主流同类价格取约 1 元/秒。

技术路线

已上线两个,在做两个。

R1 · 离线世界模型

已上线

视线场几何条件,单卡商用,四种相机模式。

Live · 实时直播

生产实证

单卡两路 25fps,一张照片两种开法。

R2 · 场景记忆

研发中

分钟级连续镜头,跨镜头记住场景与角色状态。

R3 · 空间智能底座

远期规划

焦距、景深、物理动力学可控;多智能体共享持久化世界。

在 H2 AIDM 中的位置

下面两层把成本压到单卡,
上面两层把它用起来。

资料

RayWorld 世界模型白皮书

视线场、R1 与 Live 双引擎、四种相机模式、推理成本与技术路线。与本页同一份内容。

← 上一页 · L1 模型H2 Model Combo