AREX Feed Article
Viggle 发布 JST-2，自称全球首个全栈物理原生世界基础模型
2026 年 10 月 19 日 15:20 UTC（北京时间 23:20），Viggle 的 X 账号 @ViggleAI 发布了 JST-2，并称其为「全球首个全栈物理原生世界基础模型」（the world's first full-stack physics-native world foundation model）。帖文说，许多世界模型在像素或视频空间里学习，Viggle 则回到第一性原理，把整套模型栈建在 3D 中：数秒内生成一个 3D 场景并实时扩展，角色通过一套通用架构自带动作。
同日上线的给出了更具体的细节：单场景生成约 1 秒，推理成本低于 0.01 美元；角色可由单张图片生成。发布页对 JST-2 的表述是「我们的物理原生世界基础模型」。这些数字和测试都来自 Viggle 自己发布的材料。
Viggle JST-2 发布页的主视觉。图片：Viggle
JST 把世界拆成带坐标的原子
JST 是 Joint Space-and-Time 的缩写。按发布页的描述，它把世界表示成 3D 空间里持续存在的「原子」：每个原子对应一块物质或一个物体部件，在移动和形变时保持身份；每个原子有明确的 xyz 坐标，以及两组学习得到的向量，分别描述属性和动力学。这些原子被编码成「物理原生 token」（Physics-Native Token）。
三种组件围绕这套表示工作：编码器把图像映射成 token，生成器从多模态提示直接产出 token，解码器再结合视角和运动或力的输入，把 token 变成图像或 3D 高斯泼溅（3D Gaussian splats）。Viggle 称，编码器、生成器、解码器、物理原生数据合成引擎，以及预训练和后训练流程，都是为这套表示从零搭建的。
按这套描述，「整套模型栈建在 3D 中」指的是模型的中间表示是带位置和动力学的原子，而不是像素。同一套表示既可以从真实观测中推断，也可以从提示词生成；场景解码成高斯泼溅后可以在浏览器本地渲染，换个视角再看不需要重跑模型。
发布页还交代了公司背景：Viggle 成立于 2022 年，前两年做 JST-1，验证了角色生成与动画，支撑了其表情包应用，该应用累计用户超过 5,000 万；JST-2 从 2024 年做到 2026 年，把同一架构扩展到场景、角色和动作。
测速口径：B200 上的纯推理
计时条件是：在 NVIDIA B200 上只计算模型推理，不含网络延迟；模型采用前馈架构，直接产出 3D 表示，不做逐场景优化。对比图里，Marble 被标为约 5～6 分钟。
JST-2 把最多 64 个输入视角作为空间上下文窗口，每新增一个视角，都会加入下一次生成的上下文。场景生成后解码为 3D 高斯泼溅，可以在浏览器里反复探索；只有生成新内容时，才需要再次推理。
动作动力学写在 token 里
发布页的描述是：角色和动作在同一次生成里完成。从文本或图片得到带动作动力学的 3D 角色，动力学向量编码每个部件在不同动作下如何形变，因此不需要单独的绑骨和蒙皮。角色也可以从经过裁切或被遮挡的图片中补全，涵盖写实、风格化、卡通等风格。
发布页「Windmill village」场景中的角色。图片：Viggle
动作可以来自文本，也可以从视频重建；生成的动作能直接套用到 JST-2 角色上，不需要单独的重定向步骤，发布页还称这些动作与标准 3D 角色骨骼原生兼容。
Viggle 通过人类盲测比较了 JST-2 与 Meshy 7.1、Tripo H3.1：角色生成的平均分分别为 58.4% 和 73.2%，动画就绪度（animation readiness）为 73.8% 和 88.9%；文本生成动作对 Cartwheel Swing、HY-Motion-1.0 为 74.8% 和 80.0%，视频生成动作对 Cartwheel Comic 4、DeepMotion Animate 3D 为 58.1% 和 89.1%。分数按「胜率加二分之一平局率」计算，50% 表示双方被同等偏好。
测试由 Viggle 组织。说明，所有模型看同一批输入图片，每个资产都通过各家自己的 API 批量生成，「尽可能接近生产运行」；动作对比则统一放在无贴图的 MetaHuman 骨骼上播放，避免外观干扰。测试集加入了遮挡、裁切、异常姿势、低分辨率等困难样本。发布页也说明，在干净图片上三个模型都能用，差距主要在困难样本上。对 Meshy 的总体偏好（Overall Preference）为 59.9%。
碰撞仍靠规则物理
发布页写明了这条边界：JST-2 的角色动作由学习到的动力学驱动，但场景中的碰撞和物体交互仍依赖基于规则的物理。
衣物、头发和配饰不参与物理模拟。它们会随身体形变，但不会因惯性摆动，也不会与身体或彼此碰撞。角色基准页列出的其他限制包括：肢体关节附近的高斯泼溅伪影，肩与躯干的连接处、腋下和指缝会出现空洞、粘连或塌陷，该页称这是最明显的失败模式。表面细节也有上限，镜头拉近后会变软。比例异常的身体，比如很长的四肢、夸张的头身比或非人形轮廓，会出现关节位置和形变偏差。
JST-2 的「物理原生」目前落在表示层和角色动力学上：原子有位置和动力学向量，动作从数据里学出来；一个场景里物体怎么撞、怎么推，仍由规则物理处理。
免费入口与按 credit 计费
发布页给出两类入口：浏览器里可免费使用的 PINOC，以及 API 或 MCP。PINOC 分 Scene 和 Agent 两种模式，前者生成 3D 场景，后者把场景、角色和动作放在一起；发布页称可以在 Codex、Claude Code 等兼容 MCP 的 agent 里调用 JST-2。
列出角色与动作的计费：免费账户一次性 60 credits，动作每秒 1 credit，从图片生成 3D 角色 5 credits 起；付费档按年付从每月 10.39 美元起，免费额度限个人、评估和原型用途。
API 按 credit 计费，每个 credit 0.01 美元，新账户有 100 个免费 credits。 Viggle 的 API 文档里，场景接口（Scene Model）从提示词生成一个场景收 6 credits，即 0.06 美元，其余场景任务每个 1 credit；输出是 .spz 格式的高斯泼溅。
发布页还把用文本提示引导场景扩展、提高每个场景的高斯泼溅数量、改善复杂衣物与头发的形变、从视频重建人在场景中的路径列为后续版本的内容。Viggle 把替换这层规则物理的工作交给 JST-3，称后者仍在开发中。