AnswersPublished17 sources
JD open-sourcer JoyAI-EchoWM til interaktive AI-verdener med synkron lyd
JD præsenterede open source modellerne JoyAI EchoWM og EchoWM Flash på JDD 2026. Et samlet kamera intent system omsætter tastatur eller controllerinput til kontinuerlige bevægelser med seks frihedsgrader, både i førsteperson og tredjeperson.
Udgivet afRedigeret med GPT-5.6 TerraBilleder genereret med GPT Image 2
Research answer
Key takeaways
- JD præsenterede open source modellerne JoyAI EchoWM og EchoWM Flash på JDD 2026.
- Et samlet kamera intent system omsætter tastatur eller controllerinput til kontinuerlige bevægelser med seks frihedsgrader, både i førsteperson og tredjeperson.
- Udgivelsen indgår i JDs satsning på fysisk AI, der også omfatter planer om en indenlandsk GPU klynge med 100.000 GPU'er og indsamling af over 10 millioner timers video fra virkelige aktiviteter.
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
JD's centrale AI-nyhed på JDDiscovery (JDD) 2026 var frigivelsen af JoyAI-EchoWM, en interaktiv audiovisuel verdensmodel, samt EchoWM-Flash, en lettere variant med kausal streaming i fire trin. I stedet for at levere et færdigt videoklip skal modellerne lade brugeren bevæge sig gennem en genereret scene, hvor både billede og lyd ændrer sig undervejs. 1
6
En AI-verden, man kan gå ind i
EchoWM genererer video i 720p sammen med synkroniseret miljølyd, musik og tale. Ideen er en genereret verden, der kan udforskes: Når brugeren skifter retning eller bevæger sig gennem scenen, opdateres både det visuelle indhold og lyden – frem for at lyden lægges på bagefter som et separat lydspor. 1
2
Modellen benytter en samlet repræsentation af kamera-intent. Tastatur- eller controllerkommandoer oversættes til kontinuerlige kamerabaner med seks frihedsgrader (6-DoF). Det skal gøre både navigation i førsteperson og kameraer i tredjeperson eller følgeoptagelser muligt. Kamerabanen styrer billedgenereringen, mens begivenheder i scenen skal udløse passende lyd, eksempelvis fodtrin, sammenstød, dialog eller musik. 1
11
EchoWM-Flash skal gøre responsen hurtigere
EchoWM-Flash er den kausale streamingvariant i fire trin. Formålet er at reducere antallet af samplingtrin og samtidig bevare en responsiv, interaktiv generering.
I forskningsartiklens WBench Navigation-test med 158 tilfælde fik EchoWM en gennemsnitsscore på 81,7, mens EchoWM-Flash fik 81,0. For EchoWM blev interaktion og konsistens angivet til henholdsvis 87,2 og 89,8; Flash fik 87,9 for interaktion. 1
Tallene er resultater rapporteret af udviklerne og i forskningsartiklen – ikke uafhængig dokumentation for, at modellerne er klar til alle produktionsopgaver i realtid. WBench-repositoriet angiver JoyAI-Echo-1.5 (WM) til 81,6 og firetrins-Flash-udgaven til 81,0, hvilket forklarer den lille forskel mellem 81,6 og 81,7 i omtalen af modellen. 15
Sammenhæng i scenen – men ikke permanent 3D-hukommelse
EchoWM understøtter udforskning over flere interaktioner ved at lade genereringen tage udgangspunkt i et kort, efterfølgende vindue af audiovisuel kontekst. Det hjælper modellen med at fortsætte et navigeret forløb, men er ikke det samme som en vedvarende, eksplicit 3D-repræsentation af verdenen.
Det er en vigtig begrænsning. Uden permanent 3D-hukommelse kan rumlige forhold og visuelle detaljer gradvist skride ved lange udforskninger. JD's resultater peger på styrker inden for interaktion og konsistens i benchmarken, men kontekstbaseret kontinuitet er fortsat en praktisk begrænsning for længerevarende navigation. 1
11
Træning og åben adgang
Den tilhørende forskning beskriver en dataengine til verdensmodeller og en trinvis træningsproces baseret på gameplay-logs, optagelser af mennesker, posestøttede simulationer i Unreal Engine og video fra internettet. Målet er at samle styrbar kamerabevægelse, visuel dynamik og synkron lydgenerering i én model. 1
JD's artikel henviser til det offentlige koderepositorium jd-opensource/JoyAI-Echo, så frigivelsen er især relevant for forskere og udviklere, der eksperimenterer med interaktive verdensmodeller. 1
En del af JDs strategi for fysisk AI
EchoWM blev præsenteret som en del af JDs bredere satsning på fysisk AI: samspillet mellem data, regnekraft, modeller og logistik i den fysiske verden. JD Cloud oplyser, at virksomheden planlægger en indenlandsk klynge med 100.000 GPU'er til træning og inferens af store modeller samt opgaver inden for embodied AI – AI, der skal kunne opfatte og handle i fysiske omgivelser. Planen omfatter også mere end 10 millioner timers video af menneskelig aktivitet i virkeligheden. 18
22
På driftssiden fremhæver JD Logistics sin Meta Brain 3.0. Ifølge JD koordinerer systemet beslutninger på tværs af lager, transport og levering og har reduceret beregningstiden for optimale ruter til hundredvis af millioner pakker fra minutter til sekunder. 18
22
Set i den sammenhæng er EchoWM først og fremmest et åbent model- og forskningsinfrastrukturinitiativ til interaktive verdensmodeller og fysisk AI – ikke en finansieringsmeddelelse. Det centrale tekniske løfte er at forene styrbar kameranavigation med fælles generering af video og lyd, samtidig med at udfordringen med stabil konsistens over lange forløb stadig står åben. 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 open-sourcer JoyAI-EchoWM til interaktive AI-verdener med synkron lyd"?
JD præsenterede open source modellerne JoyAI EchoWM og EchoWM Flash på JDD 2026.
What are the key points to validate first?
JD præsenterede open source modellerne JoyAI EchoWM og EchoWM Flash på JDD 2026. Et samlet kamera intent system omsætter tastatur eller controllerinput til kontinuerlige bevægelser med seks frihedsgrader, både i førsteperson og tredjeperson.
What should I do next in practice?
Udgivelsen indgår i JDs satsning på fysisk AI, der også omfatter planer om en indenlandsk GPU klynge med 100.000 GPU'er og indsamling af over 10 millioner timers video fra virkelige aktiviteter.