„Praktische Tests an 5 inländischen Weltmodellen zeigen: Bis wohin ist die Entwicklung der ‚Generierung von Welten‘ bereits vorangeschritten?“

Hallo! Ich bin Ihr Freund, der sich auf Finanz- und Wirtschaftsnachrichtenanalyse spezialisiert hat. Heute sprechen wir nicht über kühlen Code, sondern über eine „neue Spezies“, die still und heimlich unsere zukünftige Lebensweise verändern wird – den World Model.

In letzter Zeit ist der Begriff „World Model“ in der Tech-Szene extrem beliebt geworden. Unternehmen wie Li Feifei, ByteDance, Tencent, Alibaba und Ant Group haben sich alle daran beteiligt. Aber die meisten Menschen fragen sich sicherlich: Was ist das eigentlich? Was hat das mit mir zu tun? Kann man das schon jetzt nutzen?

Um diese Fragen zu beantworten, habe ich diesen ausführlichen Testartikel von „Xi Xiaoyao Technology Say“ genauer analysiert. Der Artikel verwendet keine schwer verständlichen Fachbegriffe, sondern beschreibt die Produkte des World Models, als würde man ein Videospiel spielen.

Im Folgenden werde ich diesen anspruchsvollen Test in 5 Kernaspekte aufteilen, damit Sie sofort verstehen, wie weit die Entwicklung des World Models bereits fortgeschritten ist.

---

Aspekt 1: Konzeptualisierung: Ein World Model ist kein „Video“, sondern ein „interaktives Paralleluniversum“

Zunächst müssen wir ein großes Missverständnis korrigieren: World Model ≠ Video-Generationsmodel.

• Video-Modelle (z. B. Sora): Man kann sie nur anschauen, nicht interagieren. Was der Regisseur filmt, das sieht man auch. Sie sind linear und festgelegt.
• World Model: Man kann sie wie „The Legend of Zelda“ oder „Minecraft“ spielen – man kann in Echtzeit interagieren:
• Man kann vorwärts gehen, zurückkehren, abbiegen.
• Man kann Befehle an die Welt geben: „Regne“, „Öffne die Tür“, „Mache die Katze zu einem Superhelden“.
• Kernlogik: Die nächste Szene wird in Echtzeit berechnet und generiert basierend auf den eigenen Aktionen und Befehlen.

Einfaches Beispiel:

Wenn ein Video-Modell Ihnen eine Aufnahme einer „Meerwelt“ zeigt, ist das wie ein Videoband. Ein World Model hingegen versetzt Sie in eine lebendige Meerwelt: Wenn Sie nach links schwimmen wollen, verteilen sich die Fische; wenn Sie einen Stein werfen, spritzt das Wasser. Die Welt reagiert kontinuierlich und sofort.

Derzeit haben fünf Unternehmen in China ihre Produkte für Tests öffentlich gemacht:

1. Ant LingBot-World 2.0

2. Loopit Zing-0.5

3. Alibaba HappyOyster 1.0

4. Aisshi R1

5. Tencent Hunyuan HY-World 2.1

Die Spielweisen dieser Unternehmen lassen sich in drei Kategorien einteilen:

• Rundreise-Modus: Die Welt ändert sich, während man sich bewegt (Tencent, einige Alibaba-Produkte).
• Regisseur-Modus: Man gibt Befehle, und die Welt zeigt sie einem (Aisshi, einige Alibaba-Produkte).
• Kombiniertes Steuermodus (am ehesten wie ein Spiel): Man bewegt sich und verändert gleichzeitig die Welt (Ant, Loopit).

---

Aspekt 2: Grundlegende Fähigkeiten: Kann es sich an mich erinnern?

Was macht das Spielen besonders frustrierend? Fehler wie das „Durchbrechen der virtuellen Grenzen“ (z. B. plötzlich ein Fremder anstelle der eigenen Figur) oder das Verschwinden von Objekten. Der Artikel zeigt anhand von zwei Tests, wie die verschiedenen Produkte in Bezug auf Konsistenz abschneiden:

1. Genauigkeit der Eingaben (Ist der Start stabil?)

• Test: Man gibt ein Bild eines „Wüstensegelwagens“ als Ausgangsbild – wer kann die Szene am genauesten wiedergeben?
• Ergebnis: Zing, HappyOyster, LingBot zeigten die beste Leistung und wiederholten das Bild weitgehend genau.
• Fehlerbeispiele:
• Aisshi R1: Man gibt nur den Rücken des Wagens als Bild ein – das Modell zeigt plötzlich das Gesicht des Fahrers, was die Atmosphäre völlig verändert.
• Tencent HY-World: Akzeptiert keine Bilder von Personen, nur Landschaften. Das deutet darauf hin, dass es sich eher auf die Erzeugung von Kulissen konzentriert als auf die Interaktion mit Charakteren.

2. Konsistenz während der Interaktion (Verändert sich die Welt während der Nutzung?)

Das ist entscheidend für die Realitätstreue des World Models. Wenn man sich bewegt, sollte sich die Welt nicht verändern, verschwinden oder unnatürlich weiterentwickeln:

• Konsistenz von Personen und Objekten:
• Zing & HappyOyster: Sehr stabil – das Auto bleibt das gleiche, die Person bleibt die gleiche.
• LingBot: Es gibt kleine Probleme – plötzlich erscheinen vier große schwarze Reifen unter dem Auto, und es lässt sich nicht mehr in den ursprünglichen Zustand zurückversetzen.
• Aisshi R1: Katastrophale Leistung: Der Fahrer wechselt dreimal das Gesicht während der Fahrt – vom Rücken zum Gesicht, dann zu einer Person mit Sonnenbrille, schließlich zu einem weiblichen Gesicht. Das zeigt, dass das Modell noch keine langfristige Erinnerung an die Figur behalten kann.
• Konsistenz der Umgebung:
• HappyOyster: Sieger: Wenn man zum Himmel schaut, dann zum Dorf – beim erneuten Blick ist der Himmel immer noch an derselben Stelle.
• Zing: Nicht schlecht, aber der Himmel verändert sich leicht.
• LingBot: Es gibt Probleme – nach einer Runde erscheint plötzlich ein weiterer Mond am Himmel, und der Himmel sieht aus wie ein blaues Muster.

💡 Mein Kommentar:

Derzeit ist Alibaba HappyOyster am besten darin, die Stabilität der Welt zu gewährleisten und eignet sich daher besonders für immersive Erlebnisse; Loopit Zing folgt dicht auf; Ant LingBot und Aisshi R1 neigen dazu, bei längeren Interaktionen Fehler zu machen und benötigen weitere Optimierungen.

---

Aspekt 3: Physik und Logik: Versteht das Modell „gängige physikalische Gesetze“?

Ein World Model muss nicht nur gut aussehen, sondern auch logisch sein. Wenn beispielsweise ein Tsunami von der Oberseite eines Schiffes herunterkommt, macht das Spiel keinen Sinn.

Der Artikel testete zwei physikalische Szenen:

1. Tsunami-Angriff

• Befehl: „Ein Tsunami kommt!“
• Zing: Die Wellen brechen von der Meeresoberfläche und treffen auf die Brücke – das entspricht den physikalischen Gesetzen.
• LingBot: Das Wasser fließt wie ein Wasserfall von der Oberseite des Schiffes herunter, während die Meeresoberfläche unverändert bleibt. Das wäre, als würde plötzlich Wasser vom Deck heruntertropfen und einen ertränken – sehr unrealistisch.

2. Sonnenaufgang

• Befehl: „Es wird hell.“
• Zing: Himmel und Meer erhellen sich allmählich – die Übergänge zwischen Licht und Schatten sind natürlich, wie bei einem echten Sonnenaufgang.
• LingBot: Die Veränderungen sind kaum wahrnehmbar und wirken „unrealistisch“.

💡 Mein Kommentar:

Zing führt derzeit in Bezug auf die physikalische Logik. Die von ihm generierte Welt wirkt wie ein systematisch funktionierendes System und nicht nur wie eine Ansammlung visueller Effekte. Das ist entscheidend für zukünftige Spiele und Simulationsanwendungen – wenn die Physik nicht stimmt, glaubt man dem Spiel nicht.

---

Aspekt 4: Kernspielweise: Ist es eher ein „Zuschauen“ oder ein „Spielen“?

Das ist der entscheidende Unterschied zwischen „hohen Qualitätsvideos“ und echten World Models. Der Artikel unterscheidet zwischen regisseurischer Steuerung und kombinierter Steuerung:

1. Regisseurische Fähigkeit (die KI führt das Spiel selbst)

• Aisshi R1: Wie ein fantasievoller Drehbuchautor – die Bilder sind beeindruckend und kreativ, aber oft unlogisch. Zum Beispiel bekommt die Katze plötzlich Flügel oder taucht ein Eisengitter auf; die Handlung ist unklar.
• Alibaba HappyOyster: Wie ein professioneller Regisseur – die Kameraführung ist gut; es weiß, wann enge Nahaufnahmen und Weitansichten erforderlich sind. Die Erzählung ist klar und sorgt für ein gutes Erlebnis.

2. Kombinierte Steuerung (Man spielt und verändert gleichzeitig)

Das ist die Fähigkeit, die dem zukünftigen Gaming am nächsten kommt:

• Szenario: Man steuert einen Charakter, der einen Drachen bekämpft, und gleichzeitig verändert sich die Umgebung.
• Zing: Hervorragende Leistung – man kann sich bewegen und Lichtstrahlen auf den Drachen richten; die Kamera zeigt die Positionen klar an, sodass man weiß, was als Nächstes zu tun ist.
• LingBot: Die Effekte sind zu auffällig – blaue Lichter und lila Flammen verdecken die Sicht; man kann kaum erkennen, gegen wen man kämpft.

💡 Mein Kommentar:

• Für Geschichtsliebhaber: HappyOyster (Alibaba).
• Für Spieler und Interaktionsliebhaber: Zing (Loopit).
• LingBot (Ant): Die Effekte sind zwar beeindruckend, aber sie stören die Interaktion.

---

Aspekt 5: Kommerzielle Umsetzung: Ist es schnell verfügbar und erschwinglich?

Selbst die beste Technologie nützt nichts, wenn sie langsam reagiert oder zu teuer ist.

1. Reaktionsgeschwindigkeit (Reagiert das Modell schnell auf Befehle?)

• Zing: Reagiert am schnellsten auf Veränderungen in der Umgebung (z. B. Gewitterwolken); die Welt ändert sich sofort nach dem Befehl.
• LingBot: Reagiert schnell auf Bewegungen der Figur; die Veränderungen erfolgen sofort.
• Aisshi R1: Reagiert etwas langsam – es dauert einige Sekunden, bis sich die Bilder ändern.
• HappyOyster: Die Bewegungen sind schnell, aber gleichzeitige Befehle sind nicht möglich.

Fazit: Zing bietet die beste Echtzeitreaktion und ist am ehesten einem echten Spiel nachempfunden.

2. Kosten (Ist es erschwinglich?**

Das ist eine wichtige wirtschaftliche Frage. Der Artikel vergleicht die Kosten für 10 Minuten Nutzung:

| Produkt | Kosten für 10 Minuten | Anmerkungen |

| :--- | :--- | :--- |

| Loopit Zing | < 1 Yuan | Dies sind Rechenkosten (Server- und Rechenleistungskosten); bei dieser Preisgestaltung wäre es sehr wettbewerbsfähig. |

| Ant LingBot | ca. 2 US-Dollar (~15 Yuan)** | Offizielle Preisangabe; 10 Minuten Nutzung. |

| Alibaba HappyOyster | ca. 10,4 US-Dollar (~75 Yuan)** | Enthält Kosten für die Erstellung der Welt und die Echtzeit-Kommunikation; am teuersten. |

| Tencent/Aisshi: Kosten fehlen oder die Abrechnung ist unterschiedlich | Bei Tencent wird nach den Ergebnissen bezahlt; bei Aisshi liegen keine Daten vor.

💡 Mein Kommentar:

Zing hat einen großen Kostenvorteil. Wenn die Rechenkosten unter 1 Yuan liegen und entsprechend angeboten werden, könnte es sehr populär werden.

HappyOyster ist aufgrund der hohen Kosten eher ein exklusives Dienstleistungsangebot für professionelle Nutzer, nicht für die breite Masse.

---

📝 Fazit: Welche Stufe hat das World Model erreicht?

Aus wirtschaftlicher Sicht befindet sich das World Model derzeit in einer Phase, die der von ChatGPT-3 ähnelt:

• Es ist nicht wie ChatGPT: Es ist noch nicht so ausgereift, dass es sofort und fehlerfrei verwendet werden kann.
• Aber es ist auf dem richtigen Weg: Die technische Basis ist vorhanden, und man kann erkennen, dass es die richtige Richtung eingeschlagen hat – allerdings muss das Erlebnis noch verbessert werden, da es noch viele Fehler gibt.

Tipps für die Öffentlichkeit:

1. Erwarten Sie keine großen Spiele: Die aktuellen Produkte sind noch in der Forschungs- und Entwicklungsphase; sie sind unzureichend stabil und enthalten viele Fehler.

2. Konzentrieren Sie sich auf die kombinierte Steuerung:** Das ist der entscheidende Unterschied zu herkömmlichen Video-Modellen. Wer es schafft, die Interaktionen flüssig und kostengünstig zu gestalten, wird erfolgreich sein.

3. Alibaba und Loopit haben viel Potenzial:

• Alibaba HappyOyster überzeugt durch seine Erzählkunst und Stabilität – geeignet für Filme und interaktive Dramen.
• Loopit Zing bietet eine gute Interaktivität bei niedrigen Kosten – ideal für Spielprototypen und Echtzeit-Interaktionen.

Zusammenfassung:

Das World Model ist nicht mehr nur Science-Fiction – es entwickelt sich zu einem neuen Kreativwerkzeug. Auch wenn es noch einige Unstimmigkeiten gibt, haben wir bereits einen ersten Einblick in die Möglichkeiten der Echtzeit-Generierung von Welten. Im nächsten Schritt wird nicht mehr nur die Qualität der Bilder im Fokus stehen, sondern auch, ob uns das Erlebnis dazu bringt, dort weiterzuspielen.