AnswersPublished17 sources
JD otevřel model JoyAI-EchoWM pro interaktivní obrazové a zvukové světy
JD na JDD 2026 zveřejnil open source model JoyAI EchoWM a jeho čtyřkrokovou průběžnou variantu EchoWM Flash. Rozhraní „camera intent“ převádí vstupy z klávesnice či ovladače na plynulé trajektorie kamery v šesti stupních volnosti; funguje pro pohled z první i třetí osoby.
PublikovalUpraveno pomocí GPT-5.6 TerraObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- JD na JDD 2026 zveřejnil open source model JoyAI EchoWM a jeho čtyřkrokovou průběžnou variantu EchoWM Flash.
- Rozhraní „camera intent“ převádí vstupy z klávesnice či ovladače na plynulé trajektorie kamery v šesti stupních volnosti; funguje pro pohled z první i třetí osoby.
- Vydání zapadá do širší strategie JD pro fyzickou AI, včetně plánovaného domácího clusteru se 100 000 GPU a sběru více než 10 milionů hodin videí reálných činností.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did JD.com announce at the September 10, 2026 JDDiscovery (JDD) conference about open-sourcing JoyAI-EchoWM—its interactive audiovisual. Article summary: JD announced that it is open-sourcing JoyAI‑EchoWM, an “enterable” interactive audiovisual world model, and EchoWM‑Flash, a faster four-step causal-streaming version. The release is best understood as part of JD’s physic. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Místo jednorázově vygenerovaného klipu má vzniknout prostředí, do něhož lze vstoupit a procházet jím. JD na konferenci JDDiscovery (JDD) 2026 otevřel zdrojové kódy modelu JoyAI-EchoWM pro interaktivní audiovizuální světy a také EchoWM-Flash, jeho lehčí čtyřkrokové varianty s kauzálním průběžným generováním. 1
6
Svět, který reaguje obrazem i zvukem
EchoWM má generovat video v rozlišení 720p současně se synchronizovanými zvuky prostředí, hudbou a řečí. Podstatné je, že nejde o dodatečně přidanou zvukovou stopu: při změně směru nebo pohybu uživatele se mají společně měnit obraz i zvuková složka scény. 1
2
Model používá sjednocenou reprezentaci záměru kamery (camera intent). Příkazy z klávesnice nebo ovladače převádí na plynulou trajektorii kamery v šesti stupních volnosti (6DoF) – tedy s řízením polohy i natočení. To má umožnit nejen pohyb z pohledu první osoby, ale i kameru z třetí osoby nebo záběr sledující postavu. Trajektorie kamery ovlivňuje obraz, zatímco dění ve scéně má vyvolávat odpovídající zvuk: například kroky, nárazy, dialog či hudbu. 1
11
EchoWM-Flash: méně kroků, důraz na rychlou odezvu
EchoWM-Flash je čtyřkroková průběžná varianta navržená pro nižší počet vzorkovacích kroků při zachování pohotové interakce. V testu WBench Navigation se 158 případy dosáhl EchoWM průměrného skóre 81,7, zatímco EchoWM-Flash 81,0. U plné verze byly vykázány hodnoty 87,2 za interakci a 89,8 za konzistenci; Flash dosáhl v interakci 87,9. 1
Jde však o výsledky uváděné autory modelu a v odborném článku, nikoli o nezávislé potvrzení připravenosti pro každý scénář produkčního generování v reálném čase. Samotný repozitář WBench uvádí pro JoyAI-Echo-1.5 (WM) hodnotu 81,6 a pro čtyřkrokový Flash 81,0; tím se vysvětluje drobný rozdíl mezi hodnotami 81,6 a 81,7 v různých přehledech. 15
Kontinuita funguje, ale dlouhé cesty mohou „ujíždět“
Při vícekrokovém průzkumu EchoWM navazuje generování na krátké předchozí okno obrazu a zvuku. Díky tomu může pokračovat v uživatelem řízené sekvenci, nejde ale o trvalou, explicitní 3D reprezentaci světa.
Právě tento rozdíl je důležitý. Bez perzistentní 3D paměti se při delším procházení mohou hromadit prostorové nebo vizuální odchylky. Výsledky JD ukazují silnou interaktivitu a konzistenci v benchmarku, architektura založená na kontextovém okně však zůstává praktickým omezením pro dlouhé navigační sekvence. 1
11
Data, trénování a dostupnost kódu
Doprovodný výzkum popisuje datový engine a postupný tréninkový proces. Využívá záznamy z her, záběry lidské hry, simulace v Unreal Engine s ukotvením podle pozice a také internetová videa. Cílem je spojit ovladatelný pohyb kamery, vizuální dynamiku a synchronizovanou tvorbu zvuku v jediném modelu. 1
Článek JD odkazuje na veřejný repozitář jd-opensource/JoyAI-Echo, takže je vydání dostupné výzkumníkům a vývojářům, kteří chtějí s interaktivními světovými modely experimentovat. 1
Součást širší sázky JD na fyzickou AI
EchoWM byl představen jako dílek širší strategie JD pro takzvanou fyzickou AI – tedy AI propojenou s daty, výpočetní infrastrukturou, modely a reálnými logistickými operacemi. JD Cloud plánuje vybudovat domácí cluster se 100 000 GPU pro trénování velkých modelů, inferenci a úlohy ztělesněné AI. Firma zároveň chce nasbírat více než 10 milionů hodin videí zachycujících lidskou aktivitu v reálném světě. 18
22
Provozním protějškem je Meta Brain 3.0 společnosti JD Logistics. Podle JD systém koordinuje rozhodování napříč sklady, přepravou a doručováním a dobu výpočtu optimálních tras pro stovky milionů zásilek zkrátil z minut na sekundy. 18
22
Vydání EchoWM je proto vhodnější chápat jako otevřený model a krok v budování výzkumné infrastruktury pro interaktivní a fyzickou AI, nikoli jako oznámení o financování. Jeho hlavní technická ambice je přímočará: spojit ovladatelný pohyb kamerou se společně vytvářeným obrazem a zvukem – a zároveň otevřeně přiznat, že konzistence světa v dlouhém horizontu je stále nevyřešený problém. 1
11
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "JD otevřel model JoyAI-EchoWM pro interaktivní obrazové a zvukové světy"?
JD na JDD 2026 zveřejnil open source model JoyAI EchoWM a jeho čtyřkrokovou průběžnou variantu EchoWM Flash.
What are the key points to validate first?
JD na JDD 2026 zveřejnil open source model JoyAI EchoWM a jeho čtyřkrokovou průběžnou variantu EchoWM Flash. Rozhraní „camera intent“ převádí vstupy z klávesnice či ovladače na plynulé trajektorie kamery v šesti stupních volnosti; funguje pro pohled z první i třetí osoby.
What should I do next in practice?
Vydání zapadá do širší strategie JD pro fyzickou AI, včetně plánovaného domácího clusteru se 100 000 GPU a sběru více než 10 milionů hodin videí reálných činností.