Viggle 发布 JST-2：约 1 秒生成可浏览的 3D 场景，并支持带骨骼的角色和动作生成
zovo2026-10-20约 2 分钟读完
Viggle 在 10 月 19 日发布世界模型 JST-2，可以从文字或图片生成 3D 场景、角色和全身动作。官方称生成一个场景约 1 秒、推理成本低于 0.01 美元，结果可以在浏览器里自由换视角浏览。
01做法与以往的区别
多数世界模型在像素或视频空间里学习，3D 结构只能间接学到。JST（Joint Space-and-Time）把世界表示成 3D 空间里持续存在的“原子”，每个原子对应一块物质或物体部件，有明确的 xyz 坐标，以及学习得到的属性和动力学向量，官方称之为 Physics-Native Tokens。同一套表示既可以从图片反推，也可以从提示词生成，再解码成图像或 3D 高斯点云。
02三类能力
| 能力 | 官方说明 |
|---|---|
| 场景 | 前馈生成，无需逐场景优化；最多 64 张输入视图作为空间上下文，可逐视角扩展；输出 3D 高斯点云，在浏览器本地渲染 |
| 角色 | 文字或单张图片生成 3D 角色，动力学已内置，无需单独绑骨骼；支持被裁切或遮挡的输入 |
| 动作 | 文字或视频生成全身 3D 动作，可直接用于 JST-2 角色，也兼容标准 3D 角色骨骼 |
速度对比：官方称 JST-2 生成场景约 1 秒，对比对象 Marble 约 5 到 6 分钟；计时为 NVIDIA B200 上的模型推理时间，不含网络延迟。
03官方评测（均为 Viggle 自己的人工盲测）
| 任务 | 对比对象 | JST-2 平均得分 |
|---|---|---|
| 角色生成 | Meshy 7.1 / Tripo H3.1 | 58.4% / 73.2% |
| 动画就绪度 | Meshy 7.1 / Tripo H3.1 | 73.8% / 88.9% |
| 文字生成动作 | Cartwheel Swing / HY-Motion-1.0 | 74.8% / 80.0% |
| 视频生成动作 | Cartwheel Comic 4 / DeepMotion Animate 3D | 58.1% / 89.1% |
得分 = 胜率 + 一半平局率，50% 表示两者相当。这些是厂商自行组织的评测，本站未复现；完整方法见官方的角色基准和动作基准。
04怎么用，以及限制
在 PINOC 网页端免费可用，分场景模式和 Agent 模式；也可通过 API 或 MCP 接入 Codex、Claude Code 等。模型本身未开源。官方说明场景碰撞和物体交互目前仍依赖基于规则的物理，学习式物理留给后续的 JST-3；文字引导场景扩展和更高细节的版本也属“即将推出”。
资料来源（2026-10-20 核对）
本文由 zovo 编辑撰写，转载请注明出处。
Claude Code
Hy-Memory
Octop