验证条件与证据
官方页面报告 JST-2 在 NVIDIA B200 上约 1 秒生成一个 3D 场景，单次推理成本低于 0.01 美元；并通过盲测与 Meshy 7.1、Tripo H3.1、Cartwheel Swing、HY-Motion-1.0、Cartwheel Comic 4、DeepMotion Animate 3D 对比，角色与动作生成偏好胜出。未报告真实机器人或标准化仿真环境验证。
核心能力
- 约 1 秒生成 3D 场景，单次推理成本低于 0.01 美元。
- 最多支持 64 个输入视图作为空间上下文窗口。
- 从单张图像生成可动画的 3D 角色，无需单独绑定。
- 从文本或视频生成全身 3D 动作，可直接用于 JST-2 角色。
- 从稀疏真实观测重建完整 3D 环境。
能力局限
- 场景碰撞和物体交互仍依赖基于规则的物理，JST-3 才计划引入学习动力学。
- 即将发布的版本将改善复杂衣物变形和头发运动。
- 页面未披露代码、权重、训练数据与硬件接入方式，开源状态未知。
技术资料
- 输入
- 多模态提示（文本/图像）；单张角色图像或文本；动作文本或视频；最多 64 个输入视图；真实环境稀疏观测。
- 输出
- 可在浏览器本地渲染的 3D 高斯泼溅场景；带运动动力学的 3D 角色；由文本或视频生成的全身 3D 动作；图像输出。
- 适用任务
- 3D 场景生成与扩展、单图/文本角色生成、文本/视频全身 3D 动作生成、从稀疏真实观测重建 3D 环境。
- 适用平台／硬件
- Physics-Native Token、JST encoder/generator/decoder、3D Gaussian splat 解码、物理原生数据合成与训练管线
- 技术栈与依赖
- Joint Space-and-Time (JST) 架构；Physics-Native Tokens；3D Gaussian splats；NVIDIA B200 推理
公开范围与许可证
- 代码
- 未核对
- 权重
- 未核对
- 数据
- 未核对
- 硬件
- 未核对
资料介绍
JST-2 是 Viggle 的物理原生世界基础模型，采用联合空间 - 时间架构，用 Physics-Native Token 在 3D 空间中表示持久原子，并通过同一世界表示生成或重建场景、角色和全身动作。
它可在约 1 秒内生成一个 3D 场景，单次推理成本低于 0.01 美元，并支持最多 64 个输入视图作为空间上下文窗口。生成结果解码为 3D 高斯泼溅，可在浏览器中本地渲染和反复探索。
在角色生成方面，JST-2 可从单张图像或文本生成带运动动力学的 3D 角色，无需单独绑定和蒙皮。在动作生成方面，它可从文本或视频生成全身 3D 动作，并可直接应用到 JST-2 角色。
官方盲测显示，JST-2 在角色生成上领先 Meshy 7.1 和 Tripo H3.1，在文本到动作与视频到动作任务上领先多个基线。官方还计划在 JST-3 中将基于规则的场景碰撞与物体交互替换为学习动力学，目标是为物理 AI 构建经验引擎。
使用与复现资料
- 访问 JST-2 体验页，选择示例世界进入 3D 场景。
- 拖拽摄像机或推动物体查看多视角生成与扩展。
- 使用文本、单张图像或视频生成角色和全身动作。
- 通过 API 构建应用。