Zing-0.5：Loopit开源实时互动世界模型，WBench 评测第一，单卡 24 FPS、一分钟推理仅 6 分钱

魔搭ModelScope社区

12人浏览 · 2026-08-31 11:15:09

魔搭ModelScope社区 · 2026-08-31 11:15:09 发布

过去几个月，实时视频世界模型突然成为一张拥挤的牌桌。PixVerse、LingBot、阿里「快乐生蚝」、智象未来等团队先后发布实时视频世界模型 Demo，并不约而同地将第一站指向互动娱乐/AI 游戏——当视频能够持续生成、实时响应，人就不再只是观看一段内容，而是可以“进入”一个由模型生成的世界。

在这个拥挤的牌桌上，Loopit 带来了一个值得注意的突破：其发布的实时互动世界模型 Zing-0.5，在美团 LongCat 与复旦大学联合推出的可交互视频世界模型评测 WBench 中拿到了第一名。模型已在魔搭社区开源，并计划 2 周内在 Loopit APP（海外版）上线对应产品功能。

Loopit 此前以「可以玩的抖音」被外界熟知，产品上线后曾获马斯克点赞，两个月登顶欧美娱乐榜，累计融资 1 亿美元。这家擅长做 C 端产品和全球增长的应用公司，反过来做出了自己的实时互动世界模型并在公开评测中夺冠。“模型吃掉应用”的故事，似乎被反了过来。

Zing-0.5 基于 5B 参数量级，基座为 Wan2.2-TI2V-5B，采用 Apache 2.0 协议开源。

模型下载地址：

ModelScope：https://modelscope.cn/models/seedleap/Zing-0.5
Github：https://github.com/seedleap/zing-world-model

联合控制：空间操作 + 语义改写

Zing-0.5 的核心能力被 Loopit 概括为「联合控制」——空间操作决定用户去哪里，语义输入决定世界发生什么，两种控制共同作用于同一段持续生成，新指令进入当前世界而不是替换当前世界。

围绕这条控制链路，以下五个 Case 展示了模型的逐层能力：

Case 1：飞行不中断，巨龙开始喷火

骑龙飞行约 43 秒后输入「龙嘴巴喷火」，火焰与烟雾随即出现，但巨龙仍沿原方向飞行，洞穴、瀑布和远处光源没有被重置。喷火结束后飞行继续，前后仍是一段完整的世界演化。

骑龙飞行43秒后输入「龙嘴巴喷火」

Case 2：一句指令同时改变人物和多座雕像

在石像场景第 14 秒输入「祈祷：主控人物跪地祈祷，所有人脸雕像睁开眼睛」。人物随即跪地，雕像睁眼并发光。这要求模型不仅理解「发生什么」，还要区分「谁发生变化」以及「哪些对象同时变化」。

主控人物祈祷，多座雕像同时睁眼

Case 3：连续改写——暴风雪之后，远方人像睁眼

从相同初始画面、相同操作轨迹和相同 Prompt 出发，对比 Zing-0.5 与同类模型：第 4 秒输入「暴风雪」改变全局天气，第 22 秒输入「远方人像睁眼」改变局部对象。难点在于第二条指令必须发生在已被暴风雪改变的世界中，而不是重新生成场景。Zing-0.5 能更稳定地把新指令写入当前世界。

相同起点下的「暴风雪—远方人像睁眼」连续改写对比，左侧为Zing-0.5，右侧为另一开源模型

Case 4：持续前进，角色与通道保持一致

连续生成的难点不只是多生成几秒，而是不要越走越偏。从相同画面出发持续前进时，Zing-0.5 中老鼠的耳朵、体型和黄色背包基本保持稳定，同类模型则逐渐出现角色颜色、比例和形态变化。

同起点、同操作下的持续前进对比，左侧为Zing-0.5，右侧为另一开源模型

Case 5：加入一朵蘑菇，不能顺手换掉整个世界

在像素风格游戏世界中，第 7 秒输入「一个蘑菇出现在前方」。Zing-0.5 延续了原有像素风格，角色、道路和远处建筑仍属于同一个世界。响应 Prompt 和保持一致性是两种不同的能力——实时生成不仅要知道增加什么，也要知道什么不该改变。

像素世界中途生成蘑菇，左侧为Zing-0.5，右侧为另一开源模型

技术架构：新指令如何进入正在运行的世界

五个 Case 测试的其实是同一个问题：新指令能否进入当前世界，而不是替换当前世界。为此，Zing-0.5 设计了两条独立、但共同进入 Causal DiT 的控制链路。

移动、转向和视角变化等连续信号经过 sin/cos 编码与因果时序卷积，形成逐帧 action residual 并与对应视频 token 对齐。文本条件改变时，动作链路仍然连续运行，因此巨龙能一边飞行一边喷火，人物也能一边移动一边观察环境变化。

训练时，Zing-0.5 会在自回归生成中途切换 Prompt：保留已生成的视觉历史和操作历史，用新的文本条件预测后续内容。「中途改写」不是在线推理时额外拼接的功能，而是模型从训练阶段就开始学习的能力。action residual 让世界继续运动，cross-attention 把新指令写入当前生成；两者共同决定接下来发生什么。

抗误差累积：接住自己的错误

很多视频世界模型最开始的几秒足够惊艳，但角色持续移动、反复转动视角并加入新事件后，误差会逐渐累积。因为模型后面看到的「历史」不再是真实视频，而是自己刚刚生成的结果。

Zing-0.5 的解法是在训练中主动扰动部分历史画面（加入噪声、轻微模糊、颜色偏移和视角变化），模拟连续生成中的误差，而训练目标始终保持干净正确。模型需要从不完美的历史中判断哪些是世界真正的状态、哪些只是生成偏差，并预测出更稳定的未来。这套方法主要发生在训练阶段，不需要在线增加额外的纠错模型。

本地部署

Zing-0.5 支持单卡部署。以下是基于官方仓库的本地运行方式。

环境要求：Linux、NVIDIA GPU（建议 80GB+ 显存；低于 80GB 可使用滑窗注意力配置）、Python 3.11、PyTorch 2.9。

安装步骤

# 克隆仓库

git clone https://github.com/seedleap/zing-world-model.git

cd zing-world-model



# 安装依赖

pip install -r requirements.txt

下载模型权重（从魔搭社区下载）：

pip install modelscope

modelscope download --model seedleap/Zing-0.5 --local_dir ./Zing-0.5

模型目录结构如下：

Zing-0.5/

├── generator/

│ └── model.pt

└── pretrained/

    ├── text_encoder/

    ├── tokenizer/

    └── vae/

运行推理：

# 基础运行（Action T2V，文本驱动 + 键盘操作控制）

CUDA_VISIBLE_DEVICES=0 \

ZING_PYTHON=/path/to/python \

bash run.sh \

  --pretrained-dir ./Zing-0.5/pretrained \

  --checkpoint ./Zing-0.5/generator/model.pt \

  --messages examples/case3_action_t2v.jsonl \

  --output-dir outputs/case3 \

  --seed 0

图片初始化模式（Action TI2V）：

CUDA_VISIBLE_DEVICES=0 \
ZING_PYTHON=/path/to/python \
bash run.sh \
  --pretrained-dir ./Zing-0.5/pretrained \
  --checkpoint ./Zing-0.5/generator/model.pt \
  --messages examples/case4_action_ti2v.jsonl \
  --output-dir outputs/case4 \
  --seed 0

显存配置说明：

GPU 显存	推荐参数
80GB+（如 H100/A100）	`--local-attn-size 97 --sink-size 9`
低于 80GB（如 RTX 4090）	`--local-attn-size 33 --sink-size 5`
完整历史注意力	`--local-attn-size -1 --sink-size 0`