双榜第一的Murea-Pro，交互视频世界模型的新黑马

今年交互视频世界模型成为热门方向，阿里HappyOyster、蚂蚁LingBot、生数科技Vidu S2、爱诗科技PixVerse R2等接连亮相，目标一致：让AI视频实时响应用户操作，支持连续交互，生成可自由探索的虚拟世界。

在交互视频世界模型评测WBench中，新模型Murea-Pro以81.1分在WBench Full-289中排名第一，交互能力和物理合理性分别取得82.6和74.4分，领先第二名9.52分和5.23分。生成速度方面，RTX PRO 6000可3.6秒生成5秒视频，RTF小于1，实现实时视频。其轻量开源版本Murea-Fast在参考生视频评测OpenS2V-Eval中以64.98分位居参评开源模型第一，NexusScore达51.66，参考还原能力排名第一。

Murea-InWorld采用两层协同架构：上层Murea-Mind作为模型大脑，读取世界状态、用户指令和上一段视频结束画面，规划下一事件；下层Murea-Pro和Murea-Fast执行生成画面与声音；结果交由大脑检查，确认变化后写回世界状态，形成“状态、行动、生成、观测”闭环。系统在视频模型外维护一套“账本”，固定身份与动态状态分开管理，降低角色外观和剧情变化互相干扰。用户撤销时恢复状态快照，重新选择则创建并行分支；多人模式下玩家输入先转换为结构化动作，再由系统统一编排。

生成核心机制为Omni-Reference Generation，人物、动物、物品和场景参考分别编码为独立条件latent并编号，参考素材不参与加噪去噪，用于稳定身份和外观。视频与音频在同一DiT中联合生成，受控注意力机制先让参考信息作用于各自模态，再通过视频和音频token建立联系。连续生成采用有限历史窗口策略，视频侧保留前一片段，音频侧保存更长上下文。低延迟依靠少步蒸馏与系统优化，Murea-Pro经50步到4步蒸馏及优化后，在8张H20上生成5秒有声视频时间由231.6秒缩短至6.96秒，累计加速33.3倍；换用RTX PRO 6000 Blackwell仅需3.6秒，RTF约0.71。

评测显示，Murea-Pro在事件编辑、角色动作和视角切换上表现突出，事件编辑90.92分，角色动作87.04分，导航71.79分相对较弱，画面质量79.97分。Murea-Fast优势集中在多参考生成，在OS2V-Pro中逐参考保真度46.0排名第一，片内身份一致性89.0并列第一。

实测中，系统随机生成科幻世界并设定人物、场景和故事主线。连续十几轮交互后，主角手持平板道具始终一致；临时输入“画面突然出现了一只小猫”，系统为其创建独立资产，后续镜头切换外观保持一致，剧情台词自然衔接；再指令小猫绕主角转圈，系统正确识别动作主体和目标。15轮交互中故事未出现“失忆”，玩家可随时介入改变走向。

生成式互动世界将内容生成放入用户参与过程，利用Murea-Mind让玩家用自然语言随时改变世界走向，可延伸进游戏、互动叙事、虚拟角色、在线娱乐等场景。