Zing-0.5

图注：Zing-0.5 在 seedleap/zing-world-model 仓库的官方代码与权重入口

Zing-0.5 是什么

Zing-0.5 是由 Loopit（清跃智能 / Seedleap.ai 团队）开源的实时交互视频世界模型，参数量为 5B，底层基座为 Wan2.2-TI2V-5B，遵循 Apache 2.0 协议。Loopit 这家此前以”可以玩的抖音”被外界熟知的应用公司，曾在海外娱乐榜登顶并累计融资1亿美元，Zing-0.5 是它把模型能力反哺到应用场景的代表成果。在美团 LongCat 与复旦大合推出的 WBench（可交互视频世界模型评测）中，Zing-0.5 位列实时世界模型榜单第一。

这款模型把”可玩”两个字推到了视频世界模型里：传统文生视频或图生视频模型只能输出一段固定内容，Zing-0.5 则允许用户一边用键盘探索空间，一边随时用自然语言改写正在发生的世界，新指令进入当前世界而不是替换当前世界。也正因为这条交互链路，它在游戏互动内容、UGC 视频原型、互动直播等场景里被广泛关注。

Zing-0.5 的主要功能

1. 双链路联合控制：键盘空间操作（W/A/S/D 移动 + I/J/K/L 视角，共 8 维连续动作信号）与自然语言语义改写两条链路同时进入 Causal DiT，让玩家一边操控角色移动，一边用文字改写场景状态。
2. 24 FPS 实时流式生成：在单卡 RTX 5090 上即可超过 24 FPS 流畅输出，支持长时序连续生成，一分钟流式推理成本约 6 分钱。
3. 中途语义改写：生成过程中可随时插入”降下暴风雪””龙嘴巴喷火””路灯变暖色调”等文本指令，模型依靠既有的视觉历史与操作历史，让变化在当前世界内自然发生，无需重置场景。
4. 多对象协同响应：单条指令可同时触发多个对象的联动变化，例如”主控人物跪地祈祷 + 所有人脸雕像睁开眼睛并发光”，模型会区分”发生什么”和”谁发生变化”。
5. 长时序一致性：在长时间持续生成中，角色外观、场景空间结构、艺术风格（包括像素风格）保持稳定，不出现漂移或风格突变。
6. 抗误差累积：训练阶段主动对历史画面加入噪声、模糊与色彩偏移，模拟推理中的误差累积，让模型具备”接住自己错误”的本能。
7. 完全开源：Apache 2.0 协议，代码与权重已在 GitHub、ModelScope、HuggingFace 三大平台开放下载。

Zing-0.5 的使用方法

作为面向开发者与研究者的开源项目，Zing-0.5 的本地部署流程大致包含环境准备、权重下载、推理启动三步（具体命令以官方仓库 README 为准）：

1. 环境准备：建议使用 Linux 系统、NVIDIA GPU（显存 80GB+ 推荐 H100/A100；如 RTX 4090 等消费级卡可通过滑窗注意力配置降低显存占用）；准备 Python 3.11 与 PyTorch 2.9 等依赖。
2. 资源获取：从 GitHub 克隆 zing-world-model 仓库，并通过 ModelScope 下载 seedleap/Zing-0.5 模型权重；本地目录需包含 generator 模型以及 text_encoder / tokenizer / vae 等子模块。
3. 推理启动：根据显存容量配置 local-attn-size 与 sink-size 等注意力参数，通过 run.sh 加载对应的 JSONL 指令文件，即可开启文本驱动（T2V）或图片初始化（TI2V）的实时生成。
4. 实时互动：在生成过程中，按下 W/A/S/D 与 I/J/K/L 控制移动与视角，同时通过文本框随时下达语义改写指令；输出为 24 FPS 的 H.264 MP4。

开源社区也提供了与 FramePack 本地 AI 视频生成、Wan 2.1 AI 视频生成、清影 AI 视频生成服务 等本地或云端方案的对比思路：Zing-0.5 的差异化在于把”键盘输入 + 文本改写”做成同一段持续生成的联合控制，而不是先录后修。如果你更倾向于云端 API 形态的文生视频工作流，可参考 Luma AI 视频生成器 的入口。

Zing-0.5 的使用场景

1. 生成式互动游戏：让玩家亲手参与剧情走向与环境构建，把传统的”看剧情”变成”演剧情”，开启”即玩即改”的新型体验。
2. 交互式短视频与 UGC 创作：把单向观看升级为参与式体验，每个观众在同一内容里获得不同反馈，UGC 创作者可以构建可交互的小型世界。
3. 快速原型验证：为游戏开发团队提供低成本的场景与玩法验证工具，不依赖完整游戏引擎，就能验证镜头节奏与机制设计。
4. 沉浸式互动直播：主播与观众通过弹幕或文本指令实时共同驱动虚拟世界，强化直播间的参与感。
5. 学术研究与世界模型评测：WBench 中的实时世界模型第一名为研究者提供了可复现的基线，可用于长时序一致性、抗误差累积、人机交互等多方向研究。

Zing-0.5 的常见问题解答

图注：Zing-0.5 在 HuggingFace 上的模型卡（image-to-video / action-conditioned / world-model）

Zing-0.5 与普通文生视频模型的核心差异是什么？

普通文生视频模型只能根据一次性提示词生成一段固定视频；Zing-0.5 强调”持续生成 + 实时响应”，它把键盘空间操作与文本语义改写两条链路同时接到 Causal DiT，新指令进入当前世界而不是重置场景，因此更适合需要持续交互的玩法场景。

Zing-0.5 在什么硬件上能跑？

官方推荐配置为单卡 RTX 5090（H100 / A100 同档），可超过 24 FPS；显存低于 80GB 时可开启滑窗注意力配置（参考仓库 README 中的 local-attn-size 与 sink-size 参数），消费级 RTX 4090 也可运行但需要适当降级分辨率与时长。

Zing-0.5 的训练是如何让”中途改写”稳定的？

训练阶段会在自回归生成的中途切换 Prompt：保留已生成的视觉历史与操作历史，用新的文本条件预测后续内容。同时主动对部分历史画面施加噪声、模糊、色彩偏移与视角变化等扰动，让模型学会从”不完美的历史”中分辨真正状态并预测更稳定的未来，因此推理阶段不需要额外的纠错模型。

Zing-0.5 官网网址

GitHub 仓库：https://github.com/seedleap/zing-world-model
ModelScope 模型权重：https://modelscope.cn/models/seedleap/Zing-0.5
HuggingFace 模型权重：https://huggingface.co/seedleap/zing-0.5
官方主页：https://zing.loopit.me/

OpenI AI时代点评

Zing-0.5 把”实时交互 + 文本改写”塞进同一段持续生成的链路里，并用 WBench 第一的成绩给出公开可对比的基线，这正是它在世界模型赛道里被频繁讨论的原因。对游戏、互动视频和 UGC 创作者来说，它把”边玩边改”从概念变成了开源、可下载、可在 RTX 5090 上跑出 24 FPS 的真实工程产物；同时 5B 参数量、Apache 2.0 协议与 Causal DiT + DMD 蒸馏的组合，也为后续研究者继续打磨长时序一致性与抗误差累积提供了清晰的切入点。如果你关注实时世界模型与互动内容生成，不妨从 GitHub 仓库 直接开始体验。