Viggle 发布 JST-2，约 1 秒生成能走进去的 3D 场景

10 月 19 日，以人脸换装短视频出名的 Viggle 发布新一代世界模型 JST-2。名字里的 JST 指「联合时空」，它的做法和视频模型不一样：不逐帧画像素，而是在三维空间里摆放带真实坐标的「物理原生 Token」，再渲染成 3D 高斯泼溅，所以成片可以在浏览器里用鼠标绕着看。

速度与成本

官方口径：在英伟达 B200 显卡上生成一个可漫游场景约 1 秒，单次推理成本低于 0.01 美元，这两个数字不含网络传输时间，也没有经过第三方复测。场景支持 64 个视角的空间上下文，用户移动视角时世界会继续往外扩展，而不是每次转头都得重新算一遍。

三件事一次做完

一是场景：写一句描述，或上传一张 360 度全景图，得到可探索的三维空间。二是角色：文字或单张图片就能生成可以直接做动画的角色，省掉了绑定骨骼这一步。三是动作：用文字描述，或拿一段真人视频当参考，生成全身三维动作，等于不用穿戴设备就完成了动作捕捉。输出格式为 FBX 与 GLB，可导入 Blender、Unity、Unreal。

现在可以免费在浏览器应用里试用，也提供接口与 MCP，供编程助手直接调用。

要留一分清醒

JST-2 里的碰撞和物体交互仍靠预设的物理规则，不是从数据里学出来的，官方说下一代才会往这个方向走。生成质量和速度数据都来自厂商自己的演示与测试，独立验证还没出现。

对普通用户意味着什么

做游戏原型、分镜预览、虚拟主播、短动画的人，过去要在建模软件里熬几天的活，现在可能一句话先出一个能转着看的草稿，再去细化。它改变的是「先看见」这一步的速度。