Zing-0.5：開源實時互動影片世界模型，鍵盤操控+文字改寫，單卡24FPS

Zing-0.5 是 Loopit 在 2026 年開源的實時互動影片世界模型，基於 Wan2.2-TI2V-5B 訓練，5B 引數，採用 Apache 2.0 協議。它最大的特點是“聯合控制”：你可以一邊用鍵盤操控角色移動，一邊隨時用文字改寫正在發生的世界，比如輸入“暴風雪”，場景立即變化，而角色和畫風保持不變。本文從功能、原理、部署、競品對比等角度全面解析 Zing-0.5，幫你快速判斷它是否適合你的專案。

一句話結論：Zing-0.5 是當前 WBench 實時世界模型榜排名第一的開源模型，支援鍵盤空間操作與自然語言語義改寫雙鏈路聯合控制，單卡 RTX 5090 即可超 24 FPS 實時生成，一分鐘推理成本約 6 分錢，適合 AI 互動遊戲、可玩影片和虛擬直播等場景。

關鍵資料：引數：5B · 基座：Wan2.2-TI2V-5B · 協議：Apache 2.0 · WBench實時榜第一 · 成本：約 6 分錢/分鐘 · 幀率：>24 FPS

Zing-0.5 是什麼

Zing-0.5 是 Loopit（SeedLeap）開源的實時互動影片世界模型，5B 引數，基座為 Wan2.2-TI2V-5B，採用 Apache 2.0 協議。它的核心能力是“聯合控制”：鍵盤空間操作（W/A/S/D 移動 + I/J/K/L 視角）與自然語言語義改寫兩條鏈路共同進入 Causal DiT，使用者可一邊操控角色移動，一邊隨時用文字改寫正在發生的世界，新指令會進入當前世界而非重置場景。模型透過訓練中途切換 Prompt 學會“邊玩邊改”，主動擾動歷史畫面以抗誤差累積。單卡 RTX 5090 可超 24 FPS 實時生成，一分鐘流式推理成本約 6 分錢，在美團 LongCat 與復旦聯合的 WBench 評測中位列實時世界模型第一。

Zing-0.5 的主要功能

• 聯合控制：鍵盤空間操作（W/A/S/D 移動 + I/J/K/L 視角）與自然語言語義改寫共同作用，一邊操控移動一邊用文字改變世界，新指令進入當前世界而非替換場景。
• 實時流式生成：單卡 RTX 5090 超過 24 FPS，一分鐘推理成本約 6 分錢，支援無限長時序連續生成。
• 中途語義改寫：可在生成進行中隨時插入文字指令（如“暴風雪”“龍噴火”），模型保留視覺與操作歷史，讓改寫發生在當前世界中。
• 多物件同時響應：一條指令可同時驅動多個不同物件變化（如人物跪地祈禱 + 多座雕像睜眼發光）。
• 長程一致性：角色外觀、場景結構、畫風（如畫素風格）在持續生成中保持穩定，不漂移、不換畫風。
• 抗誤差累積：訓練中主動擾動歷史畫面，模型學會“接住自己的錯誤”，長時間生成不越走越偏。
• 動作控制：8 維連續動作訊號（取值 [0,1]），支援前進/後退/左右移動與四向視角變化，編碼為逐幀 action residual。
• 本地部署：5B 引數單卡可跑，Linux + PyTorch 環境，80GB+ 視訊記憶體或滑窗注意力配置（RTX 4090 級別亦可），輸出 H.264 MP4。
• 開源免費：Apache 2.0 協議，程式碼與權重在 GitHub、ModelScope、HuggingFace 開放，基於 Wan2.2-TI2V-5B 訓練。

Zing-0.5 的技術原理

• 基座模型：基於 Wan2.2-TI2V-5B 訓練，5B 引數量級，核心生成網路為 Causal DiT（因果擴散 Transformer），配合因果 KV 快取支援無限長時序自迴歸推演。
• 雙控制鏈路架構：兩條獨立但共同進入 Causal DiT 的控制通道——空間操作走“動作鏈”，語義改寫走“文字鏈”，二者共同決定接下來生成的內容。
• 動作鏈（action residual）：W/A/S/D 移動 + I/J/K/L 視角構成 8 維連續動作訊號（取值 [0,1]），經 sin/cos 編碼與因果時序卷積（不足 10M 引數）轉化為逐幀 action residual，與對應影片 token 逐幀對齊後注入生成。
• 文字鏈（cross-attention）：自然語言指令經語言模型編碼為 language tokens，透過 cross-attention 寫入當前生成，實現中途語義改寫。
• 兩鏈解耦、持續並行：文字條件改變時動作鏈路不中斷，因此能實現“巨龍一邊按原方向飛行一邊噴火”這類邊操作邊改寫的效果。
• 訓練即學會“中途改寫”：訓練時在自迴歸生成中途切換 Prompt，保留已生成的視覺歷史與操作歷史，用新文字條件預測後續，改寫能力是訓練出來的原生能力，而非推理時拼接的後加功能。
• 抗誤差累積訓練：自迴歸生成的“歷史”是模型自己的輸出，誤差會累積；Zing-0.5 在訓練中主動擾動部分歷史畫面（加噪聲、輕微模糊、顏色偏移、視角變化）模擬真實誤差，訓練目標始終保持乾淨，迫使模型學會從不完美歷史中甄別真實狀態。
• 純訓練解法，推理零開銷：抗累積能力完全內化於權重，線上推理無需額外糾錯模型，不增加延遲與算力。
• 四步 DMD 蒸餾取樣：將擴散取樣壓縮至 4 步，是單卡實時（>24 FPS）與低成本（約 6 分錢/分鐘）的關鍵。
• 滑窗注意力適配視訊記憶體：80GB+ 視訊記憶體用 --local-attn-size 97 --sink-size 9；RTX 4090 級別用 --local-attn-size 33 --sink-size 5，透過區域性注意力 + sink token 在有限視訊記憶體內維持長上下文。
• 輸出管線：影片幀經 patch embedding 成 token 進入 Causal DiT，預測幀解碼後輸出 H.264 編碼的 24 FPS MP4。

Zing-0.5 如何使用

快速體驗：如果你不想本地部署，可以等待 Loopit APP 海外版上線，官方預計兩週內推出對應功能，直接在 App 中體驗實時互動世界。

本地部署：適合開發者，最低要求 Linux 系統 + NVIDIA GPU（RTX 4090 級別即可，使用滑窗注意力配置），80GB+ 視訊記憶體效果最佳。

1. 環境準備：安裝 Python 3.11、PyTorch 2.9、CUDA。
2. 獲取程式碼：git clone https://github.com/seedleap/zing-world-model.git，進入目錄 cd zing-world-model。
3. 安裝依賴：pip install -r requirements.txt。
4. 下載權重：pip install modelscope，然後執行 modelscope download --model seedleap/Zing-0.5 --local_dir ./Zing-0.5。
5. 執行推理：執行 run.sh，指定 --pretrained-dir、--checkpoint、--messages 等引數。文字驅動用 examples/case3_action_t2v.jsonl，圖片初始化用 examples/case4_action_ti2v.jsonl。
6. 互動操作：鍵盤 W/A/S/D 控制移動，I/J/K/L 控制視角；生成過程中直接輸入文字指令即可改寫世界。
7. 檢視輸出：生成的 H.264 MP4 檔案儲存在 --output-dir 指定的目錄中。

Zing-0.5 與競品對比

一句話結論：如果你需要實時互動和文字改寫，Zing-0.5 是當前最佳選擇；若更看重畫面質量，HiDream-O1-World 略勝一籌。

Zing-0.5 的應用場景

• AI 互動娛樂 / AI 遊戲：玩家用鍵盤操控角色在生成世界中探索，隨時用語言改寫劇情與環境（如下雪、召喚怪物），實現“人人可玩的生成式遊戲”。
• “可以玩的抖音”式內容消費：短影片從“看”變成“玩”，每個使用者在同一段內容裡玩出不同走向，改寫內容平臺形態。
• UGC 互動內容創作：創作者生成可互動影片世界供粉絲體驗，觀眾不再是旁觀者而是參與者，衍生全新內容品類。
• 遊戲原型快速驗證：遊戲團隊無需搭建引擎場景，用世界模型快速生成可互動 Demo，低成本驗證玩法與關卡創意。
• 虛擬直播 / 虛擬主播：主播實時驅動虛擬世界，觀眾透過彈幕文字參與改寫場景與事件，增強直播互動性。

Zing-0.5 的優點與缺點

優點

• 實時榜第一的硬實力，WBench 綜合平均分 81.0。
• “邊玩邊改”獨一檔，多數實時世界模型只支援探索場景，Zing-0.5 是少數能邊操控移動邊用文字中途改寫世界的模型。
• 改寫不換世界，新指令精準寫入當前世界，只改該改的，不該動的紋絲不動。
• 長時序不跑偏，訓練中主動擾動歷史畫面讓模型學會糾錯，且純訓練解法推理零開銷。
• 成本與門檻雙低，5B 引數單卡部署，單張 RTX 5090 超 24 FPS，一分鐘流式推理僅約 6 分錢。
• 真開源，Apache 2.0 協議，程式碼 + 權重 + 部署文件全套開放，商用無門檻。

缺點

• 本地部署有一定技術門檻，需要 Linux 環境和 PyTorch 經驗。
• 80GB 以下視訊記憶體需使用滑窗注意力，可能犧牲部分長程一致性。
• 目前僅提供命令列互動，暫無圖形介面（官方 APP 尚未上線）。
• 生成內容為 H.264 MP4，實時互動體驗依賴本地算力，普通筆記本難以流暢執行。