Z Potentials｜专访XGEN车昊轩：争夺下一代入口，我想用AI模拟世界造一扇“任意门”

从正式运行到登顶全球榜单，只用了两个月。一支中国创业团队，闯进了巨头扎堆的交互式世界模型第一梯队。

在WBench最新公开评测中，XGEN的交互世界模型JING拿到81.0分，综合排名全球第一。目前榜单已经覆盖约50个模型，包括NVIDIA、Google DeepMind等主流玩家。在更强调交互和导航能力的Navi子榜中，JING以81.9分位列全球第二，高于Google DeepMind Genie 3的73.9分。

当然BENCHMARK其实没那么重要，更值得深思的应该是：为什么一支刚刚起步的创业团队，能够在这个当红赛道里迅速跑到前列？

XGEN没有沿着已有路径继续外推，而是试图把“主观交互体验”与“客观世界建模”放进同一套系统里：后台持续建模一个客观存在、不断演化的世界，前台则根据智能体所处位置与状态，生成它此刻合理的主观体验。

放到今天全球World Model的版图里，这也是一条极其非共识的路线。Google DeepMind持续推进Genie，李飞飞的World Labs试图构建可生成、可探索的空间智能，杨立昆押注JEPA，希望在latent representation中学习世界更抽象的规律；字节也正在向实时、空间化、可交互的视频生成继续推进。而XGEN想构建的，更像是一个持续发生的主观世界——它将“世界机制”与第一视角生成无缝拼接：后台维持人物、关系、规则与状态，前台只实时生成你此刻真正能看到、听到和交互到的部分。

这种判断并不是World Model成为热词之后才出现的。XGEN创始人车昊轩早就在沿着这条路线探索。他三年修完西工大本科学业，后因美国总统令10043政策转赴港科大攻读博士。在此期间及随后的职业生涯中，他穿梭于学术与工程前沿，先后在腾讯、可灵、字节及华为（任华为香港Principal Researcher）持续探索视觉生成与交互视频—...