一条社交平台笔记在科技圈引发关注。博主「橘AI」称其在影视飓风团队处观看了字节跳动最新的世界模型演示，内容包括将老电影作为可交互世界模型随意控制运镜、通过「任意门」进入生成场景、让机器人在虚拟世界中学习操作（含自动驾驶场景），以及佩戴VR眼镜进行医生等职业的模拟学习。该笔记未提及具体模型名称，字节跳动方面也未正式官宣。
此前有知情人士消息称，字节跳动正在基于旗下视频生成模型Seedance开发一款实时空间视频生成模型，由创始人张一鸣亲自督导，协调公司内部多个业务部门并投入AI资源与算力支持，最快可能于10月推出。目前10月已至，演示先于正式发布会到来。
据36氪报道，世界模型被列为字节跳动2026年AI四大重点方向之首，数据预算极高，优先级排在所有方向前面。9月初，字节跳动刚完成一笔296亿美元（约合2136亿元人民币）的银团贷款，市场解读为加码AI基础设施。据晚点报道，张一鸣8月曾在Seed团队全员会上表示，公司不会把模型蒸馏当捷径，宁愿暂时落后也要从更底层构建AGI壁垒，并表扬了Seedance的差异化领先，认可编程是当前关键方向。
从行业路线来看，世界模型赛道已形成明显分化。OpenAI走物理仿真路线，2024年2月Sora技术报告即以《Video Generation Models as World Simulators》为题，将视频生成模型定位为世界模拟器；Google DeepMind走实时交互路线，2025年8月发布的Genie 3被定义为首个实时可交互的逼真世界模型，可依据文本描述生成可探索的3D环境，帧率20至24fps；英伟达走物理AI底座路线，今年5月发布的Cosmos 3为全球首个完全开放的全模态模型，将视觉推理、世界生成、动作预测整合进一个系统，专门为机器人和自动驾驶生成训练数据，可将训练评估周期从数月压缩至数天。
字节跳动的路线以Seedance为基础，按需生成每秒20帧的视频，端到端延迟约50毫秒，渲染放在云端，画面串流至终端。应用场景指向直播、互动短剧和游戏，并计划适配Pico头显。50毫秒接近人类感知阈值，20帧每秒意味着云端渲染与流媒体传输已达到可用的工程水准。字节跳动将世界模型排在首位，底气来自其内容生态：QuestMobile数据显示，红果免费短剧今年5月月活达3.56亿，2月用户日均使用时长125分钟；抖音是天然试验场，剪映是创作者工具，火山引擎提供算力，Pico提供终端。此前发布的Seedance 2.5已能单次生成30秒视频、输入最多50个全模态参考素材。
国内竞争同样密集。阿里推出Qwen-AgentWorld和Qwen-RobotWorld，腾讯HY-World 2.0强调3D可编辑世界，蔚来、小鹏、理想更倾向驾驶世界模型方向，快手可灵和腾讯混元也在持续迭代。据相关消息，字节跳动年初内部测试与世界先进水平仍有约10％差距，目标是年底前发布至少一款对标Genie 3的模型。
值得注意的是，演示中最后两项能力——让机器人在虚拟世界中学习操作（含自动驾驶），以及通过VR眼镜进行职业模拟学习——将世界模型从娱乐场景拉入生产力场景。早在2025年10月，字节Seed团队发布Seed3D 1.0，其定位为世界模拟器对具身智能至关重要，能为机器人训练提供复杂场景模拟和高质量合成数据，生成的3D模型可无缝导入Isaac Sim等仿真引擎。英伟达已在这条路上先行，Cosmos 3正在为Agile Robots、理想汽车等公司生成动作数据。
这也解释了Pico在字节体系中的位置。VR行业降温后，Pico一度被认为边缘化，但字节并未放弃。PICO Space Pro原计划9月发布，推迟至第四季度，理由是软件体验升级。当世界模型将渲染放到云端，头显无需堆叠本地算力，硬件门槛被压低，竞争焦点从硬件规格转向AI模型、计算基础设施和内容分发。Pico从硬件竞品转变为内容生态的一环。
根据毕马威在WAIC 2026上给出的判断，2026年上半年世界模型融资总量基本追平2025全年，行业竞争焦点已从「能不能做」转向「能不能规模化应用并创造商业价值」。字节跳动以视频生成切入实时互动，以抖音和红果承接内容，以火山引擎承担算力，以Pico对接终端，同时向机器人和职业培训场景延伸。世界模型这场竞争的答案可能需要三到五年才能显现，但方向已经明确。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
