Loopit 开源了实时交互视频世界模型 Zing-0.5。这是一组相当有冲击力的数字：5B 参数（基于 Wan2.2-TI2V-5B），支持键盘操控与自然语言语义改写的联合控制，单卡 RTX 5090 可跑超过 24 FPS 实时生成，一分钟推理成本约 6 分钱，并在 WBench 评测中位列实时世界模型第一。
一句话结论：Zing-0.5 把世界模型从「生成一段视频」推进到了「可持续操控的实时世界」，而且把硬件门槛压到了单张消费级显卡。
从视频生成到世界模型：差别在哪
传统视频生成模型的运作方式是「一次性交付」：给一段提示词，模型渲染出几秒钟连续画面，过程到此为止。你想改方向，只能重新生成——而且新结果和旧片段在视觉连续性上基本无关。
世界模型的区别在于持续性与可交互性：它维护着一个随时间推进的世界状态，你的每一次输入都会在这个既有状态上继续演化，而不是把世界推倒重来。这正是游戏引擎、具身智能仿真和交互式叙事真正需要的东西。
要实现这一点，模型必须同时满足两个条件：足够快（慢于实时就失去了交互意义）和足够稳（连续生成数十秒不出现画面崩坏或语义漂移）。长期以来，这两个要求互相撕扯——追求质量就得堆参数和去噪步数，追求速度就得牺牲细节。
Zing-0.5 的关键设计
5B 参数：在质量与速度之间取平衡点
Zing-0.5 基于 Wan2.2-TI2V-5B 构建。选择 5B 这个区间，本质上是对「实时性」这一硬约束的直接回应——更大的基座固然能提升画质上限，但在 24 FPS 的目标下几乎必然失控。以 5B 为底座，换取的是单卡可承载的推理开销，以及随之而来的成本优势。
联合控制：键盘 + 自然语言双通道
这是 Zing-0.5 最具辨识度的能力。它同时接受键盘操控与自然语言语义改写，两者可以联合作用于同一个正在运行的世界上。
具体地说，你可以通过键盘像玩游戏一样移动视角与位置，同时用文字即时改写世界的语义——比如改变光照、替换物体属性或调整场景氛围。关键在于「新指令融入当前场景而非重置」：画面不会因为一句新指令而跳变，而是在既有状态上平滑过渡。这一点直接决定了它能否真的用于连续交互，而不是「每次改词就重开」。实现这一效果通常需要两套机制配合：一是把控制指令转换为条件信号注入生成过程，二是对历史 latent 或缓存状态做延续性维护，避免新条件摧毁已有结构。
24 FPS 与 6 分钱：门槛被降到了哪里
官方给出的两个数字需要放在一起读：单卡 RTX 5090 超过 24 FPS，一分钟推理成本约 6 分钱。
24 FPS 是流畅交互的经验底线——低于此值，人在操作时会明显感到画面迟滞与操控脱节。而达成这个数字只需要一张消费级显卡，意味着个人开发者和小型团队也负担得起实验环境。至于 6 分钱/分钟的成本口径，则把长时间的持续运行从「烧机时」变成了「可接受开销」，这对需要跑大规模仿真或长时间内容产出的任务是实质性利好。
WBench 实时世界模型第一
模型在 WBench 评测中位列实时世界模型第一名。WBench 面向世界模型的综合能力评估，这个成绩说明 Zing-0.5 并非只在单一维度（如帧率）取巧，而是在交互一致性、生成质量与实时性之间取得了相对均衡的表现。
核心参数一览
| 维度 | Zing-0.5 | 实践含义 |
|---|---|---|
| 参数规模 | 5B（基于 Wan2.2-TI2V-5B） | 单卡可承载，兼顾画质与速度 |
| 控制方式 | 键盘操控 + 自然语言语义改写联合控制 | 既是「游戏」也是「编辑器」 |
| 指令响应 | 新指令融入当前场景而非重置 | 支持连续、不中断的交互体验 |
| 实时性能 | 单卡 RTX 5090 超 24 FPS | 消费级硬件即可实时生成 |
| 推理成本 | 约 6 分钱 / 分钟 | 长时运行成本可控 |
| 评测成绩 | WBench 实时世界模型第一 | 综合能力获第三方基准验证 |
| 开放方式 | 开源 | 可自部署、可二次开发 |
能用来做什么
结合上述能力，Zing-0.5 比较契合以下几类应用：
- 交互式内容与游戏原型：用文字即时改写场景、用键盘实时探索，适合快速验证玩法创意与关卡概念。
- 具身智能训练环境：为机器人策略提供可持续交互的仿真世界，成本远低于高保真 3D 引擎的大规模渲染开销。
- 影视与广告预演（previz）：导演或美术可直接「走」进概念场景并即时调整氛围，替代一部分昂贵的三维预演工作。
- 世界模型学术研究：开源特性加上单卡可跑的门槛，使其成为研究持续性与一致性问题的良好实验平台。
需要留意的是，实时性必然伴随画质与时长上的取舍。若你的目标是电影级成片输出，离线大批量的视频生成模型仍是更合适的选择；Zing-0.5 的优势领域是需要人在环路中实时参与的那一类任务。
常见问题
Zing-0.5 需要什么硬件才能跑实时？
官方口径是单卡 RTX 5090 可超过 24 FPS。更低规格的显卡未必达不到，但帧率会相应下降，具体表现建议以本地实测为准。
「自然语言改写不重置」具体是什么效果？
常规视频生成中修改提示词会导致重新采样，得到一段全新且与前文不连贯的画面。Zing-0.5 的做法是把新语义指令融合进正在运行的场景状态，画面在保持连续的前提下向新描述过渡，因此可以边移动边随时改写世界。
每分钟 6 分钱的成本是按什么口径计算的？
该数字来自 Loopit 官方披露，通常按单卡推理的算力折耗或云服务租用折算。实际支出会随 GPU 型号、电价或云主机价格、以及是否满负荷运行而变化，建议结合本地环境重新测算。
小结
Zing-0.5 的意义在于把「实时交互世界模型」从论文与演示视频拉到了个人可及的硬件范围内。5B 参数换来了可实时运行的推理开销，键盘与语言的联合控制解决了交互方式问题，而「不重置」的指令响应机制则保证了连续性。再加上开源与 WBench 第一的成绩，对于正在寻找低成本交互世界平台的开发者，这是当前值得优先尝试的一个选择。