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(zhì)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(xiàn)出巨大潛力。

昆侖萬維長期關注空間智能的新進展，經(jīng)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(gòu)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(gòu)成：

1.Matrix-Game-MC數(shù)據(jù)集：自主構(gòu)建的大規(guī)模交互世界數(shù)據(jù)集，包含兩類數(shù)據(jù)：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(shù)據(jù)，具備精細的動作注釋。該數(shù)據(jù)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(jù)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(zhì)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(zhì)量、時序質(zhì)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(shù)據(jù)預訓練 + 標注數(shù)據(jù)可控訓練），參數(shù)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(jù)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(jié)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(xiàn)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(xiàn)尤為出色。此外，得益于 Unreal 數(shù)據(jù)的融入，Matrix-Game 在泛化到更廣泛的通用游戲場景方面展現(xiàn)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(xiàn)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(jù)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(xiàn)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(xiàn)出色，為開發(fā)沉浸式長時體驗、創(chuàng)意內(nèi)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(xiàn)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(shù)據(jù)構(gòu)建：大規(guī)模高質(zhì)量Matrix-Game-MC數(shù)據(jù)集

為構(gòu)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(gòu)建了大規(guī)模 Matrix-Game-MC 數(shù)據(jù)集，涵蓋從無標簽預訓練數(shù)據(jù)到精細標注的可控視頻的完整流程，兼顧數(shù)據(jù)規(guī)模與質(zhì)量。

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

有標簽數(shù)據(jù)采用兩種策略混合生成數(shù)千小時的可控監(jiān)督數(shù)據(jù)：

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(zhì)量的 Minecraft 視頻數(shù)據(jù)，數(shù)據(jù)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(gòu)建結(jié)構(gòu)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(shù)據(jù)，助力高保真動作-響應建模。

02

模型架構(gòu)：Matrix-Game從圖像出發(fā)構(gòu)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(gòu)圍繞以下幾個核心設計：

圖像到世界建模（Image-to-World Modeling）

強調(diào)空間智能能力：不依賴語言提示，僅基于視覺信號建模空間幾何、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(nèi)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(nèi)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(gòu)；

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(xiàn)有基準在交互性、物理一致性等維度的缺失，首次實現(xiàn)了對感知質(zhì)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(zhì)量（Visual Quality）：評估每一幀圖像的清晰度、結(jié)構(gòu)一致性與真實感。依據(jù)人類視覺系統(tǒng)（HVS）標準衡量每一幀圖像生成效果。

時序質(zhì)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(jié)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(zhuǎn)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(zhì)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(xiàn)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(zhì)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(xiàn)：“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(xiàn)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(jié)構(gòu)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(gòu)建的自由度。

影視與元宇宙內(nèi)容生產(chǎn)：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(nèi)容生成提供通用世界建?；A。

具身智能體訓練與數(shù)據(jù)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(chǎn)和編輯以及AI游戲生產(chǎn)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。