Zing-0.5：键盘与文字共同控制连续视频
Zing-0.5: Toward Playable Worlds with Real-Time Joint Action and Text Control
50亿参数交互式模型，在832×480配置下每张RTX5090运行一路24帧视频。权重和推理代码可获取，但物体状态与行动后果未必长期保留，尚非完整游戏世界。
相关期次：2026-09-18 精选
阅读笔记
Juju Radar · 2026-09-18
Zing-0.5 是一个50亿参数的交互式视频模型。用户可以用键盘移动，同时输入文字改变场景或事件，生成过程不必重新开始。它把动作和文字指令放进同一条连续生成链路；论文于9月15日提交、17日公告，本次读的是公开技术报告，不能据此断言项目此前不存在。
团队报告，在八张 RTX 5090 的服务器上，每张卡各运行一条独立视频流，832×480分辨率下达到用户可见的24帧每秒。模型权重、推理代码和服务实现已有公开入口；论文的导航榜单测试却使用另一种更高分辨率，不能把榜单画质和实时速度拼成一套未经测试的配置。
最有意思的反而是限制部分：它没有单独记录物体状态，也没有明确约束世界规则。你把物体移走，再转身回来，它未必还在新位置。连续画面看起来合理，与过去发生的事能一直算数，差得很远。
因此，这是一条可试用的交互生成路线，还不能当成完整游戏引擎或可靠物理模拟器。值得测试的是动作后果能保留多久，而不只是截图有多漂亮。
重要度：8.5/10。
原文：https://arxiv.org/abs/2609.17909
本期资料：https://www.asteronline.cn/juju-radar/2026-09-18/
AI辅助整理；未独立复现。PDF为链接附件。
笔记记录收录当期的判断。阅读一手材料不等于独立复现；后续进展请以原始来源为准。