AREX Feed Article
VAST 发布并开源实时世界模型渲染器 EdenLive，5B 模型单张 RTX 5090 720P 超 24 FPS
10 月 18 日，中国 3D 生成公司 VAST（Tripo3D）正式发布并开源实时世界模型渲染器 EdenLive。据 当日报道，5B 模型在单张消费级显卡 RTX 5090 上以 720P 分辨率实时生成，速度超过 24 FPS，支持分钟级连续生成，从用户输入到画面出现的端到端延迟约为百毫秒级——这组性能数字均出自 VAST 公布的数据，项目 上对应的表述是「在单张 GPU 上以超过 24 FPS 实时生成 720P 视频」。随公告一同公开的还有 （PDF）与端到端 Demo。
开源内容落在两个仓库。 以 Apache-2.0 为主许可放出 5B 与 14B 两组权重——每组各有 bidirectional（全帧双向去噪）与 few-step chunk-AR（少步分块自回归）两种 DiT（Diffusion Transformer，扩散 Transformer）变体——外加实时流式推理代码、game-prototype-turbo 技能（把一段文本提示变成粗略可玩的游戏原型）和 prompt-to-game 可游玩原型前端；全部权重约 210 GB，完整托管在 上，按组件分别授权。
上游管状态，模型管画面：一套解耦的实时渲染回路
EdenLive 把「世界如何运行」与「画面如何呈现」拆开处理：上游交互程序——游戏引擎或编码智能体——显式维护游戏规则与世界状态，EdenLive 只负责把上游输出的参考视频流实时渲染成精细画面。项目页摘要写明了这样拆分的直接后果：世界状态可以被直接检查、修改和测试，交互可以延伸到上游程序暴露的任何变量；神经模型不必再同时学习状态转移与外观，有限的实时算力可以全部投给视觉合成。
模型接收三类输入：参考视频或代理视频流提供布局、镜头与运动，目标首帧定下整体外观与画风，文本提示词补充风格和细节。量子位举的街头对打 Demo 能看出回路怎么转：玩家按键控制方块角色的移动和攻击，交互系统更新位置、判定命中与血量，EdenLive 把左边的方块实时渲染成右边写实的人物；玩家看到画面再继续按键。控制信号经一枚后训练的 DINOv3 视觉编码器（仓库称 proxy-DINO）逐帧注入——Hugging Face 模型卡说明，它把几何粒度、外观各异的参考映射进共享特征空间，用以条件化扩散 Transformer，并抑制参考外观向生成结果泄漏。据 VAST 介绍，这也是 EdenLive「首次」在实时生成的前提下，同时做到任意参考输入、任意画风与长时连续运行。
实时吞吐的两个出处：官方口径与 LightX2V 部署
「超 24 FPS」在这次发布里有两个出处。其一是 VAST 官方口径，项目主页对此另附脚注：单 GPU 部署仅指 5B 模型的 720P 档——仓库里 14B 双向推理的示例按两张 GPU 并行给出；仓库给出的验证环境按配备 80 GB 显存的 NVIDIA GPU 列出，默认 5B 双向配置依赖 FA4 时间注意力内核（要求 SM90 架构与 BF16 精度）。
其二是部署方 LightX2V 的口径：GitHub 仓库引述其 ，EdenLive 5B 在单张 RTX 5090、1280×704 分辨率下达到约 24.7 FPS 推理吞吐，满足 24 FPS 实时播放的门槛。这条路径的加速手段包括低比特量化、高效内核与算子融合、KV cache（键值缓存）优化、torch.compile、CUDA Graphs 与流式 LightTAE 解码。
支撑实时生成的底层技术，项目页称为「实时视频蒸馏」，把多步扩散模型蒸馏成少步分块自回归生成器，每个 chunk 做 4 步去噪；服务系统再把程序仿真、参考编码与生成流水线化，预留一个 chunk 的提前量，画面才能边算边播。无论哪个口径，这些性能数字都出自公司或部署方，不是独立测量结果。
权重树里有什么：四个 DiT 与四类许可
Hugging Face 上的 VAST-AI/EdenLive 不只是四个 DiT 目录：dit-5b、dit-5b-bidir、dit-14b、dit-14b-bidir 之外，还配有 Wan2.1 与 Wan2.2 两代 VAE（变分自编码器）、TAEHV/LightTAE 实时解码器、UMT5 文本编码器、仅供 14B 图生视频使用的 CLIP（LAION 训练的图文编码器）、proxy-DINO 视觉编码器，以及给工作台渲染写实首帧的 flux-c2f，合计约 210 GB。
许可证按组件分成四类。DiT、VAE、UMT5、调度器与 TAEHV 解码器均为 Apache 2.0——前两者衍生自同样采用 Apache 2.0 的 Wan2.1/2.2；CLIP 是 MIT；视觉编码器沿用 Meta 的 DINOv3 License；flux-c2f 则落在 FLUX 非商业许可 v2.1 下，由 Black Forest Labs 的 FLUX.2 [klein] 9B 加一枚 VAST 自训 LoRA 组成。模型卡写明：使用工作台（workbench）整体受非商业约束，而离线与实时视频管线不加载 flux-c2f，用 start.sh 玩注册游戏也不加载 FLUX。
实时服务端同样开源：流式服务基于 NVIDIA FlashDreams 搭建，通过 WebRTC（浏览器实时通信）把生成画面推给浏览器，实时档由 TAEHV 解码器承接。桥接主机要求安装 claude 命令行工具并登录授权，游戏生成以 --dangerously-skip-permissions 参数运行。
从推箱子到机械手：四类用法与 VAST 自己承认的短板
量子位把演示归成四类。交互式游戏预览里，2D、3D 场景都能接入：岩浆闯关里角色用冷冻枪制造落脚点、跳跃前进，双人对打则展示画面与血条、回合计时等状态的配合；现阶段它更适合场景漫游、推箱子这类交互频率不高的玩法。
场景与动画预览面向美术决策：布局与运镜锁定后，同一套参考可以生成写实、手绘等不同画风的版本——比如把「鹈鹕骑自行车」的画面生成出细致的羽毛质感与海边光影，或给简模雪地行车场景补上车身纹理、积雪与光影。视频重渲染与换皮把已有视频交给模型重画：蓝色背景前的真人换成卡通角色，实拍房屋转成手绘动画，姿态与布局不变。第四类是具身数据增强：人手换成机械手，橙色抹布换成黄色，推车扶手改成金属质感，操作动作与原视频保持一致，已有的操作视频由此衍生出不同外观的样本。
prompt-to-game 把这些串成一条链：game-prototype-turbo 技能先按文本生成粗略可玩的原型，游戏运行时交互系统持续更新状态并输出简化参考画面，EdenLive 再实时渲染成精细画面反馈给玩家。工作台前端由游戏库、聊天生成新游戏和游玩窗口组成，游戏渲染用 Three.js（网页 3D 渲染库），技能模块基于 GameBlocks 搭建。
边界也写在明处：VAST 承认高频激烈交互对生成速度和动作呈现要求更高，多角色同框时的身份保持、小物体的精细控制、长时间生成中的视觉一致性，都有提升空间。
比共识早三四个月的路线，与留给第三方的复算
解耦不是这一步才提出来的。量子位回顾，VAST 今年 6 月初公开的 Project Eden 研究预览就已把「状态维护与视觉渲染解耦」定为核心设计，并给出三层架构——持续演化的结构化状态、状态到观测的接口、生成式神经渲染；按该报道转述的说法，这条路线比行业共识早了约 3～4 个月，窗口期被用来积累数据、打磨模型与系统。支撑模型的成对数据覆盖 2D、3D 简化场景、引擎渲染与真实视频；VAST 还把自家 3D 能力用在数据侧，从视频里提取深度、相机位姿与几何运动轨迹。
在项目主页，VAST 给 EdenLive 划了一圈参照系：交互式世界模型（文中点名 Lingbot World、Pixverse R）把状态与生成绑在一个模型里；Vidu S2 同样做实时参考驱动生成，但据其描述大多限于人像场景；Seedance 2.5 与 MiniMax H3 这类 blockout 方案属于离线可控生成；DLSS 5 则是在既有渲染管线上的超分与补帧。这些对比出自 VAST 之口，是对自身定位的陈述，不是第三方评测。
发布时间线有一条可公开核对的轨迹：GitHub 仓库与 Hugging Face 模型卡都创建于 10 月 12 日，早于公告日；模型卡更新于 10 月 18 日，技术报告文件的最后修改时间也停在 10 月 18 日，与当日报道互证。发稿前经 核实，仓库最后一次代码推送已到 10 月 19 日。至于那组性能数字，权重、推理代码与部署文档都已公开，截至发稿还没有第三方在同样硬件上跑出实测。