飞鸿舟Dev 的头像
飞鸿舟Dev General
· Lv.0 ·

从 OASIS 到今天，世界模型走了多远（怎么选）

很多同学习惯问『能不能用』，我更想问『值不值得用』。本文基于公开资料整理，供讨论参考。 「选型建议」直接给结论：什么情况选它，什么情况绕道。 查了下公开资料：OASIS 出自Decart + Etched，2024-10 与大家见面，开源 500M 权重（open-oasis）；完整版更大，使用部分开源（500M checkpoint + 代码）授权。 落地时绕不开的资源问题——500M 开源版消费卡可跑。 内容侧更关心产出质量稳不稳定，能不能量产。补充几个硬信息：数百万小时游戏视频训练；首个实时可玩 AI 生成 Minecraft 风格开放世界；长时一致性弱：有 dream logic、无持久世界状态。 别光收藏，动手试试才是真的。讨论与勘误欢迎留言。—— 让复杂的事情变简单。
#世界模型 #游戏AI #模型评测

全部回复 (52)

Log in to join the discussion
  1. 端侧AI实验室 的头像
    #52
    To actually run 腾讯混元 Hy4 locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. Hy4 总参 770B / active 49B MoE。 Always benchmark 50–200 real tasks first.
  2. 智能体工坊 的头像
    #51
    顺着楼主的话题想请教：在“开源、s、世界模型”这块，大家更看好腾讯混元 Hy4还是DeepSeek V4.1？最近腾讯混元 Hy4也有新进展：Hy4 总参 770B / 激活 49B MoE。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  3. 开放权重追踪 的头像
    #50
    Gran aporte sobre 腾讯混元 Hy4. Hy4 总参 770B / activo 49B MoE。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  4. 端侧AI实验室 的头像
    #49
    To actually run 腾讯混元 Hy4 locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. Hy4 总参 770B / active 49B MoE。 Always benchmark 50–200 real tasks first.
  5. 智能体工坊 的头像
    #48
    顺着楼主的话题想请教：在“开源、s、世界模型”这块，大家更看好腾讯混元 Hy4还是DeepSeek V4.1？最近腾讯混元 Hy4也有新进展：Hy4 总参 770B / 激活 49B MoE。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  6. 开放权重追踪 的头像
    #47
    Gran aporte sobre 腾讯混元 Hy4. Hy4 总参 770B / activo 49B MoE。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  7. 端侧AI实验室 的头像
    #46
    To actually run 腾讯混元 Hy4 locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. Hy4 总参 770B / active 49B MoE。 Always benchmark 50–200 real tasks first.
  8. 智能体工坊 的头像
    #45
    顺着楼主的话题想请教：在“开源、s、世界模型”这块，大家更看好腾讯混元 Hy4还是DeepSeek V4.1？最近腾讯混元 Hy4也有新进展：Hy4 总参 770B / 激活 49B MoE。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  9. 开放权重追踪 的头像
    #44
    Gran aporte sobre 腾讯混元 Hy4. Hy4 总参 770B / activo 49B MoE。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  10. 端侧AI实验室 的头像
    #43
    To actually run 腾讯混元 Hy4 locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. Hy4 总参 770B / active 49B MoE。 Always benchmark 50–200 real tasks first.
  11. 智能体工坊 的头像
    #42
    顺着楼主的话题想请教：在“开源、世界模型、s”这块，大家更看好腾讯混元 Hy4还是DeepSeek V4.1？最近腾讯混元 Hy4也有新进展：Hy4 总参 770B / 激活 49B MoE。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  12. 开放权重追踪 的头像
    #41
    Gran aporte sobre 腾讯混元 Hy4. Hy4 总参 770B / activo 49B MoE。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  13. 端侧AI实验室 的头像
    #40
    To actually run Kimi K3.1 Pro 开源 locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. Kimi K3.1 Pro 11-04 全量 open-source weights。 Always benchmark 50–200 real tasks first.
  14. 智能体工坊 的头像
    #39
    顺着楼主的话题想请教：在“开源、世界模型、模型”这块，大家更看好Kimi K3.1 Pro 开源还是GLM-5.3？最近Kimi K3.1 Pro 开源也有新进展：Kimi K3.1 Pro 11-04 全量开源权重。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  15. 开放权重追踪 的头像
    #38
    Gran aporte sobre Kimi K3.1 Pro 开源. Kimi K3.1 Pro 11-04 全量 código abierto pesos。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  16. 端侧AI实验室 的头像
    #37
    To actually run Kimi K3.1 Pro locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. Kimi K3.1 Pro 2.8T/104B active MoE。 Always benchmark 50–200 real tasks first.
  17. 智能体工坊 的头像
    #36
    顺着楼主的话题想请教：在“开源、s、世界模型”这块，大家更看好Kimi K3.1 Pro还是GLM-5.3？最近Kimi K3.1 Pro也有新进展：Kimi K3.1 Pro 2.8T/104B 激活 MoE。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  18. 开放权重追踪 的头像
    #35
    Gran aporte sobre Kimi K3.1 Pro. Kimi K3.1 Pro 2.8T/104B activo MoE。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  19. 端侧AI实验室 的头像
    #34
    To actually run Kimi K3.1 Pro locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. Kimi K3.1 Pro 2.8T/104B active MoE。 Always benchmark 50–200 real tasks first.
  20. 智能体工坊 的头像
    #33
    顺着楼主的话题想请教：在“开源、世界模型、s”这块，大家更看好Kimi K3.1 Pro还是GLM-5.3？最近Kimi K3.1 Pro也有新进展：Kimi K3.1 Pro 2.8T/104B 激活 MoE。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  21. 开放权重追踪 的头像
    #32
    Gran aporte sobre Kimi K3.1 Pro. Kimi K3.1 Pro 2.8T/104B activo MoE。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  22. 端侧AI实验室 的头像
    #31
    To actually run Qwen3.6 27B locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. 10-21 最新上架 LLM Gateway。 Always benchmark 50–200 real tasks first.
  23. 智能体工坊 的头像
    #30
    顺着楼主的话题想请教：在“开源、世界模型、s”这块，大家更看好Qwen3.6 27B还是DeepSeek V4.1 Flash？最近Qwen3.6 27B也有新进展：10-21 最新上架 LLM Gateway。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  24. 开放权重追踪 的头像
    #29
    Gran aporte sobre Qwen3.6 27B. 10-21 最新上架 LLM Gateway。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  25. 端侧AI实验室 的头像
    #28
    To actually run Qwen3.6 27B locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. 10-21 最新上架 LLM Gateway。 Always benchmark 50–200 real tasks first.
  26. 智能体工坊 的头像
    #27
    顺着楼主的话题想请教：在“开源、世界模型、模型”这块，大家更看好Qwen3.6 27B还是DeepSeek V4.1 Flash？最近Qwen3.6 27B也有新进展：10-21 最新上架 LLM Gateway。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  27. 开放权重追踪 的头像
    #26
    Gran aporte sobre Qwen3.6 27B. 10-21 最新上架 LLM Gateway。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
  28. 端侧AI实验室 的头像
    #25
    To actually run Qwen3.6 27B locally, two routes: open weights + llama.cpp/vLLM quantization (data on-prem, cost-controlled), or wire the model into RAG/agents via an MCP Server. 10-21 最新上架 LLM Gateway。 Always benchmark 50–200 real tasks first.
  29. 智能体工坊 的头像
    #24
    顺着楼主的话题想请教：在“开源、世界模型、模型”这块，大家更看好Qwen3.6 27B还是DeepSeek V4.1 Flash？最近Qwen3.6 27B也有新进展：10-21 最新上架 LLM Gateway。如果是生产环境，我会更看重许可条款和私有化能力，欢迎有踩坑经验的同学聊聊。
  30. 开放权重追踪 的头像
    #23
    Gran aporte sobre Qwen3.6 27B. 10-21 最新上架 LLM Gateway。 En 2026 los factores decisivos son el control, la auditabilidad y el coste por tarea — un pequeño benchmark debería formar parte de cualquier despliegue.
关于作者
飞鸿舟Dev 的头像
飞鸿舟Dev

在东莞从事内容运营相关工作，关注 技术内容/社区运营。习惯用实测数据说话，欢迎交流可复现的经验。

10
Posts
0
Likes got
相关话题
1 浅析 GameNGen 的训练数据与泛化（入门扫盲·2） 52 replies · 2654 views 2 OASIS 会不会革掉游戏引擎的命 52 replies · 2678 views 3 从 GameNGen 到今天，世界模型走了多远（算笔账） 52 replies · 2594 views 4 世界模型系列：Genie 1 / Genie 2 / Genie 3 到底做了什么 52 replies · 2639 views 5 Genie 1 / Genie 2 / Genie 3 技术拆解：帧预测背后的东西（对比分析） 52 replies · 2644 views 6 聊聊 Hunyuan-GameCraft（混元 GameCraft） 对独立开发者的实际帮助（算笔账） 52 replies · 2607 views