10月19日，有媒体报道称，被誉为“AI教母”的李飞飞创办的World Labs公司近日在社交平台X上正式发布实时帧模型RTFM，实现在单块英伟达H100 GPU上同步完成高保真3D世界渲染与用户实时交互，引发业界广泛关注。
传统世界模型的发展一直受限于庞大的算力需求。World Labs指出，当前生成式世界模型的计算复杂度远超大型语言模型。
以生成60帧/秒的4K交互视频为例，每秒需处理超过10万个token，若持续运行一小时，上下文管理规模将突破10亿token。
作为对比，OpenAI的Sora虽具备一定世界建模能力，但据Factorial基金会的估算，其峰值运行需依赖72万块英伟达H100 GPU组成的集群。
RTFM的突破在于将硬件需求压缩至单块GPU级别。该模型通过四项核心技术实现效率跃升：优化的神经网络架构与推理技术，在资源受限条件下保持输出质量；引入自回归扩散Transformer架构，高效预测视频帧序列；部署空间记忆技术，借助三维姿态建模维持大场景几何一致性；创新上下文切换机制，复用历史帧数据以规避重复计算。
技术团队强调，RTFM的核心优势在于其持久化建模能力。系统所构建的3D世界具备时间连续性，场景元素不因视角切换而消失，并能精准呈现反射、光滑表面与阴影等复杂视觉效果。更值得关注的是，该架构采用端到端学习方式，无需依赖显式3D建模，可直接从视频数据中自主学习空间规律。
相较于传统仿真系统与视频生成模型，RTFM展现出本质差异。仿真系统依赖人工预设规则，缺乏自适应能力；传统视频生成模型仅能单向输出内容，无法理解环境动态。而世界模型通过与环境的持续交互学习物理规律，既能生成逼真场景，也为智能体决策提供支持。这一特性使其在媒体制作、机器人训练等领域具备变革潜力。
