Runway、リアルタイム世界モデル「Worlds 2」発表

動画生成AI大手の米Runway（動画やマルチモーダル生成AIモデルを開発する米国スタートアップ）は、ユーザーの入力操作に応じてリアルタイムに仮想環境を生成・探索できる対話型世界モデル（物理法則や空間的一貫性を理解し環境をシミュレートするAIモデル）「GWM Worlds 2」を発表しました。

720p・24fpsの映像と48kHz音声を自己回帰的に同時生成

GWM Worlds 2は、同社が2025年12月に公開した初期の世界モデル研究「GWM Worlds」を発展させた新世代モデルです。解像度720p・毎秒24フレーム（fps）の滑らかな映像生成に加え、48,000Hzの高音質オーディオを完全に同期してリアルタイム生成する能力を備えています。

環境探索にあたっては固定の動画クリップを再生するのではなく、入力ごとに後続フレームを予測・合成し続けるため、セッション時間に制限がなく無期限に対話探索を継続できます。

永続文脈と動的イベントを統括する「WorldPrompt」

本モデルでは、複雑な世界の制御を実現するために「WorldPrompt」と呼ばれる新しい入力表現を採用しています。世界の状態を以下の2層に分離して指定します。

• ​永続的な世界コンテキスト（Persistent world context）​: 環境のレイアウト、素材、照明、環境音などを記述する「創世プロンプト（genesis prompt）」と、登場する被写体（属性や音声）、重力や衝突判定などの物理法則を規定する「法則（laws）」、および視覚的基準となる初期フレーム
• ​タイムスタンプ付きイベントストリーム（Timestamped event stream）​: 被写体や空間全体に対して発行されるテキスト行動（剣を振る、水を流す、走るなど）や発話指示、およびフレームごとのカメラ移動・回転ストリーム

モデルは双方向の基礎モデルをWorldPrompt形式で微調整した後、ポストトレーニングによってリアルタイム自己回帰モデルへと変換されています。スライディングウィンドウ方式のKVキャッシュを活用し、過去のコンテキストを保持しながら低遅延な推論を実現しています。

前世代モデル「GWM Worlds」との機能比較

GWM Worlds 2における主要な進展は以下のとおりです。

比較項目	前世代「GWM Worlds」（2025年12月）	新世代「GWM Worlds 2」（今回発表）
生成メディア	映像のみ（環境シミュレーション）	720p/24fps映像 ＋ 48kHz音声を同時生成
音声対応	なし	会話音声・効果音・環境音の完全リアルタイム生成
制御手法	主にカメラ移動のパス追従	WorldPromptによる被写体行動・発話・天候の指示
生成持続性	固定尺のシーケンス中心	自己回帰型による無制限（エンドレス）生成
操作視点	カメラ固定または既定パス	1人称・3人称の自由な操作と視点分離

物理エンジン不要のシミュレーションと産業応用

GWM Worlds 2は、3Dポリゴンや既存のゲームエンジン（Unity・Unreal Engine等）を介さず、ニューラルネットワークの内部表現だけで光の反射や衝突、因果関係をシミュレートする可能性を示しています。

このアプローチは、ゲームや対話型エンターテインメントの制作にとどまらず、ロボティクスや身体性AI（Embodied AI）の強化学習用シミュレータ、自律エージェントの検証環境など、物理世界を模倣する産業用途に大きな変革をもたらすとみられます。

引用元：Runway Research