阿里AI虚拟世界生成评测：一句话打造可进入场景
新智元独家报道
【新智元导读】今日，阿里正式发布HappyOyster 1.0世界模型。仅需一句话，即可构建一个实时响应、可自由探索、具备物理交互能力的开放世界。
「快乐生蚝」，终于交付。
今天，阿里正式推出HappyOyster 1.0。这是一款能够实时构建并支持交互的开放式世界模型产品。只需一句话，就能生成一个完整的数字世界——它能够动态演绎、供你探索，并且实现实时互动。
两个月前，阿里将「快乐生蚝」的概念带入公众视野；如今，这只生蚝已成长为1.0版本。一句话，一个世界，这次从概念落地为产品。
世界模型，AI的下一个主战场
过去两年，文生视频技术已相当成熟。输入一句话，等待数十秒，就能获得一段成品视频。它成功将「文本转化为画面」。
但成品视频有其天然限制：画面生成完毕，这段视频便已定稿。你只能「观看」，无法「参与」。
世界模型的目标则截然不同：让你不仅能观看一段视频，还能走进一个可以实时互动、随时改变走向的世界。
这并非取代关系。文生视频交付的是一个结果，而世界模型创造的是“一段体验”——你提供一张图、一段话，它生成的那一刻，体验才刚刚开始。
它的运作机制是什么？它不将视频视为固定画面，而是视作一个需要持续推演的世界状态。它学习的是世界随时间演化的规律——空间如何保持连续、物体如何守恒、动作之后会触发什么反馈。
它的目标不再仅仅是「生成内容」，而是「持续推演一个世界」。
放眼全球，硅谷巨头与AI创业公司纷纷押注「世界模型」赛道。这其中既有谷歌DeepMind的Genie，也有李飞飞团队倾力打造的Marble。
在这场角逐中，阿里HappyOyster强势入局，路线明确：主动式、实时化。你说话的同时，世界便给予回应。
HappyOyster的命名灵感源自莎士比亚的名言——The world is your oyster。如今，阿里将这句箴言铭刻于「世界模型」之上，态度直白：世界，由你来撬开。
快乐生蚝，一手实测
此次HappyOyster 1.0核心版本升级，主打两大功能——
世界探索：你即世界中的角色。一句话、一张图，即可开启任意世界的探索。
实时导演：你化身世界之上的掌控者，导演一整个故事。
百闻不如一见。接下来，进行一场全面的硬核实测。
世界探索：你即世界里的「主角」
一句话或一张图，你即可进入一个可漫游、可战斗、可互动的开放世界。第一人称、第三人称随意切换，并支持1分钟以上的实时位移与镜头控制。
「世界探索」新增一整套丰富的交互动作：前冲/加速、下蹲、攻击、跳跃，甚至支持更复杂的环境交互——乘坐驾驶载具、使用各类武器战斗。
它真正将「观看一个世界」转变为「在一个世界里活动」。
在下面的测试中，我们让HappyOyster 1.0生成了两个壮汉在地下拳馆格斗的场景。攻击、跳跃、闪避这些动作，均为实时操控——出拳、反击、再追打，节奏完全跟随指令。
关键在于，一拳打出命中后，对手会触发「踉跄倒退」的受击反应。HappyOyster凭借对客观世界的理解能力，根据场景实时演化对应的物理交互，让各种复杂动作实时发生。
自动播放除了战斗场景，HappyOyster 1.0还能流畅处理各类连贯交互动作。下面这个地牢测试中，人物竟能主动使用道具——火把。并且，场景的光照状态也完成了合理的切换。
自动播放再比如这台复古老爷车，你可以指挥人物开门、上车，再操控他把车开出去。从「看一辆车」到「上车把它开走」，中间差的正是能否实时操控这一步。
自动播放世界是否对动作做出实时反馈，雪地是个绝佳的试金石。例如下面这个视频中，一名探险者深一脚浅一脚走过厚雪覆盖的山脊，每一步留下脚印、踩塌的雪扬起雪粉。
自动播放更关键的是，无论世界换成何种画风，任何人都能同样地走进去、实时下指令。如下视频中，是一个黏土风格的微观厨房，可以指挥角色在这个小世界里走动、探索——想去哪、做什么，都由实时演化决定。
自动播放
实时导演：站在世界之上，边演边改
Directing模式让你直接担任导演。流式生成、即说即演，随时注入指令改变走向。
它的三大特性，每一条都代表一种全新的交互体验：
暂停：任意时刻冻结世界，想好后再继续；
回溯：演到一半折回任意节点重新来过，原版本保留不丢；
剧情分支：从同一个节点分叉出完全不同的走向。
加上首发的多模态参考，试错成本被压到了极低。
通过HappyOyster，可以第一视角沉浸式体验与数字人的交互，包括捏脸、说话全部实时完成。
自动播放或者，化身为漫剧导演，亲自执导一场霸总大戏。剧情走向、角色命运，全由你的想象力主宰。只需在对话框中输入指令，AI便会按着剧本来演。
自动播放创作过程中，可随时喊停，等创意想好了再继续。再来一部「后宫甄猫传」，一个人就能导演一出戏。
自动播放再看看这个demo：二次元老婆换装，想要哪种风格，一句话直接搞定。
自动播放核心技术拆解
HappyOyster 1.0与我们熟悉的文生视频模型，并非同一类东西。差别不在画面，而在两者学习的目标。
文生视频学的是「文本→视频」的单向映射——给一段描述，产出一段对应的成片，生成完，这件事就结束了。
世界模型则不同，它学习的是：当前状态＋你的动作 → 下一个状态的转移规律。模型必须先理解当前的场景结构、实体属性、物理关系，还要在你随时丢过来指令的情况下，准确预测并渲染世界的下一个状态。用户不再是被动的观察者，而是可以在「世界」里持续交互——体验的核心是中途互动本身。
那么，HappyOyster 1.0是如何做到的？它的技术优势可以概括为四点，层层递进。
第一，世界状态建模——世界能持续跑下去的基础。
HappyOyster将世界的当前状态压缩成一份紧凑的隐状态摘要，每生成一段内容就更新摘要，再把更新后的摘要递归传给下一段。这就像一场接力赛跑：上一棒把「关于现在世界的一切」写成一张小纸条递给下一棒。纸条在手，世界的因果就一直接得上——几分钟跑下来，世界不会乱，因果关系不会断。
更关键的是，正因为状态摘要可序列化、可存档，HappyOyster 1.0才得以支持暂停、回溯和剧情分支这些进阶功能。
第二，内生一致性——世界「不崩」的保障。
HappyOyster以持久的参考表征参与全程注意力。简单理解就是：进入世界时给每个人物、每件关键道具发一张「身份卡」，模型全程带着这张卡生成。这样，当角色转个身、被挡住，甚至走出画面过几分钟再出现时，长相、衣着、物品都不会变样、不会变形。一致性不靠运气，而是从架构层面就是内生的。
第三，开放因果动作空间——世界「能玩」的核心。
世界生成稳了，接下来的关键是怎么和它交互。HappyOyster的做法是让动作指令和自然语言共享同一套语义接口，不需要预定义动作集。比如，用户按下「攻击」键，HappyOyster不只是播一个「挥剑」的动画，它能自主推演出整条因果链——出手→命中→NPC受击倒地→地面扬尘→旁边的酒杯被震落。这些因果不是开发者一个一个写好的脚本，而是模型通过大规模因果训练自己学会的。
正因如此，它能自然迁移到从未见过的场景，并根据用户指令推理出新的因果关系。这是世界模型区别于靠脚本与逻辑拼接的「游戏引擎」的最本质之处。
第四，长时序音视频协同——世界「活着」的质感。
最后一层是感官的完整性。HappyOyster的音画是在同一世界状态下联合解码生成的——世界状态展开的同时，声音和画面一起长出来。脚踩碎石有碎石声，引擎加速有轰鸣，风穿过峡谷有呼啸声。声音不是后期配的，是世界本身的一部分。
这四个点合在一起，HappyOyster就成为了一个可持续推演的世界模拟器——跑得久、不会崩、可控制、有声音。
从「技术玩具」到「生产力」
HappyOyster 1.0的想象空间，远不止「玩」。把它放进各行各业，会看到一条共同的主线：每个场景的价值都不在画面本身，而在「实时互动」。用户能在生成过程中随时介入、即时改变世界的走向。对不同落地场景来说，这正是世界模型这个新品类最有想象力的地方。
交互式游戏是最直接的落地场景。传统的开放世界原型验证需要几个月建资产库、搭物理引擎、调NPC行为树。现在一句话，就能生成带实时物理反馈的开放世界原型。从FPS战区到国风武侠对决，策划用它验证关卡、测试NPC交互逻辑、感受战斗节奏，而玩家的每一次操作都在实时驱动事件走向。速度从以周计缩到以小时计。
实时虚拟陪伴，是「世界探索」与「实时导演」都能托起的方向。它能实时生成一个随时可交互的虚拟角色：能听能说、长时间相处还保持一致，用户可以随时指挥它的动作。虚拟伙伴、数字人IP、品牌虚拟形象，都能借此从「播一段片」升级为「实时陪着你」。
在互动短剧上，HappyOyster 1.0的暂停、回溯、分支三件套，等于把「分支叙事」的能力直接交给了创作者。一个开头分叉出十条故事线，观众能在关键节点注入自己的指令、实时改写走向——名场面重写结局、POV恋爱互动，制作方式也从「预先拍好多条线、每条都花钱」变成了「实时生成任意一条线」。
还有直播，是「实时」属性最天然的落点。场景与角色都是实时生成的，主播或观众的一句指令就能即时改变画面走向。无论是虚拟主播还是实时互动直播，观众都不再只是「看」，而是能直接参与到画面的演化里。
文旅与虚拟体验则把「去哪、看什么」实时交给用户，同时利用世界模型在「无真实数据场景」中的模拟能力。月球表面、海底宫殿、高魔幻境——这些现实中拍不到的地方，HappyOyster能在像素空间里持续模拟出来。
写在最后
HappyOyster 1.0版本将「一句话造世界」从概念变成了今天就能用的产品。据最新透露，API预计7月初开放——届时，开发者和B端的生态想象力还将进一步打开。
官方网站 www.happyoyster.cn 已上线，手机号即可注册，每天登录送免费创作积分。
剩下的，就交给你的创造力了。