Viggle 发布 JST-2 物理原生世界基础模型：约 1 秒生成 3D 场景、单张图出可动画角色

核心背景与行业痛点

多数世界模型在像素或视频空间里学习，物理结构只能从「看起来像什么」间接推断，再事后重建 3D。对游戏和小团队来说，建模、绑骨、动作重定向往往吃掉大部分预算。Viggle 在 10 月 19 日发布 JST-2，称这是其做了四年的架构的第二代；第一代 JST-1 支撑了用户超 5000 万的表情包视频应用（官方口径）。

架构亮点与底层机制

JST 意为 Joint Space-and-Time。它把世界表示为 3D 空间里的持久原子，每个原子有明确的 xyz 坐标，以及描述属性和动力学的学习向量，编码为 Physics-Native Tokens。编码器可以从真实图片推断这些 token，生成器也可以直接从多模态提示生成；解码器结合视角和动作或力输入，输出图像或 3D Gaussian splats。角色的形变规律学自数据，所以不需要单独的绑骨和蒙皮。

权威 Benchmark 与实测跑分对比

官方未公布第三方跑分，以下全部是 Viggle 自己组织的人类盲测（厂商口径，50% 表示持平）。角色生成 Average Score 对 Meshy 7.1 为 58.4%，对 Tripo H3.1 为 73.2%；动画可用性分别为 73.8% 和 88.9%。文本生成动作对 Cartwheel Swing 74.8%、对 HY-Motion-1.0 80.0%；视频转动作对 Cartwheel Comic 4 58.1%、对 DeepMotion Animate 3D 89.1%。速度上，B200 上约 1 秒出一个场景，官方对比 Marble 约 5–6 分钟。

开发者实战落地与开箱指南

最快的上手方式是浏览器打开 PINOC，选 Scene 模式生成场景，或用 Agent 模式把场景、角色、动作组合起来，无需排队。开发者可以走 API，或通过 MCP 接入 Codex、Claude Code 等 agent。动作输出兼容标准 3D 角色骨骼。当前碰撞和物体交互仍是规则式物理，复杂服装和头发的形变也还在改进，JST-3 计划用学习到的物理替代这部分。