RespuestasPublicado17 fuentes
JD abre EchoWM: IA para explorar escenas generadas con imagen y sonido a la vez
JD presentó como código abierto JoyAI EchoWM y EchoWM Flash, una versión de streaming causal de cuatro pasos, durante JDD 2026. El modelo traduce órdenes de teclado o mando en trayectorias continuas de cámara con seis grados de libertad, para exploración en primera persona y planos en tercera persona.
Publicado porEditado con GPT-5.6 TerraImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- JD presentó como código abierto JoyAI EchoWM y EchoWM Flash, una versión de streaming causal de cuatro pasos, durante JDD 2026.
- El modelo traduce órdenes de teclado o mando en trayectorias continuas de cámara con seis grados de libertad, para exploración en primera persona y planos en tercera persona.
- La publicación se integra en la estrategia de IA física de JD, que contempla un clúster nacional de 100.000 GPU y más de 10 millones de horas de vídeo de actividad real.
Prompt de IA
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 ha publicado como código abierto JoyAI-EchoWM, un modelo de mundo audiovisual interactivo, junto con EchoWM-Flash, una versión más ligera de streaming causal que funciona en cuatro pasos. Su propuesta no es generar un vídeo cerrado: busca que el usuario pueda desplazarse por una escena creada por IA y que la imagen y el audio evolucionen de forma coordinada. 1
6
Un mundo generado al que se puede «entrar»
EchoWM genera vídeo en 720p junto con sonido ambiental, música y voz sincronizados. La idea es que, al cambiar de dirección o avanzar por una escena, el sistema actualice tanto lo que se ve como lo que se oye; no se trata de añadir una pista de sonido por separado al final. 1
2
Para ello emplea una representación unificada de la intención de cámara. Las órdenes introducidas con teclado o mando se convierten en trayectorias continuas de cámara con seis grados de libertad —movimiento y rotación en el espacio—. Esto permite recorrer la escena en primera persona, además de usar vistas en tercera persona o cámaras que siguen a un sujeto. 1
11
La trayectoria de cámara condiciona el vídeo generado, mientras que los sucesos de la escena deberían producir sonidos acordes: pasos, impactos, diálogo o música. El objetivo técnico es que el audio forme parte de la simulación generativa y responda al movimiento y a la acción. 1
11
EchoWM-Flash: menos pasos para responder con más agilidad
EchoWM-Flash es la variante de streaming causal de cuatro pasos. Reducir los pasos de muestreo pretende hacer más rápida la generación interactiva sin perder demasiada capacidad de respuesta durante la navegación.
En los 158 casos de navegación de WBench incluidos en el artículo técnico, EchoWM obtuvo una media de 81,7 y EchoWM-Flash, 81,0. EchoWM registró 87,2 en interacción y 89,8 en consistencia; Flash alcanzó 87,9 en interacción. 1
Estas cifras son resultados comunicados por los desarrolladores y en el artículo académico, no una validación independiente de que los modelos estén listos para cualquier uso de producción en tiempo real. El repositorio de WBench sitúa a JoyAI-Echo-1.5 (WM) en 81,6 y a la versión Flash de cuatro pasos en 81,0; de ahí la pequeña diferencia entre las cifras 81,6 y 81,7 que aparece en distintas referencias. 15
Continuidad entre interacciones, con un límite importante
EchoWM admite exploración en varios turnos al condicionar la generación a una breve ventana del contexto audiovisual inmediatamente anterior. Eso permite continuar una secuencia navegada, pero no equivale a conservar una representación 3D explícita y persistente del mundo.
La diferencia es relevante para recorridos largos: al no disponer de memoria 3D persistente, la escena puede acumular desviaciones espaciales o visuales con el tiempo. Los resultados comunicados por JD muestran fortaleza en interacción y consistencia dentro del benchmark, pero la continuidad basada en contexto sigue siendo una limitación práctica para navegación prolongada. 1
11
Datos de entrenamiento y código público
La investigación describe un motor de datos de mundo y un entrenamiento por etapas que combina registros de partidas, vídeos de personas jugando, simulación basada en Unreal Engine con poses como referencia y vídeo de internet. El propósito es unir movimiento controlable de cámara, dinámica visual y generación de audio sincronizado en un único modelo. 1
El artículo enlaza al repositorio público jd-opensource/JoyAI-Echo, por lo que el lanzamiento puede resultar de interés para investigadores y desarrolladores que experimenten con sistemas de modelos de mundo interactivos. 1
La pieza de un plan más amplio de IA física
JD presentó EchoWM como parte de una iniciativa de IA física que abarca datos, capacidad de cálculo, modelos y operaciones logísticas. JD Cloud planea construir un clúster desarrollado en el país de 100.000 GPU para entrenamiento e inferencia de grandes modelos y cargas de trabajo de IA incorporada; además, busca reunir más de 10 millones de horas de vídeo de actividad humana en el mundo real. 18
22
En el plano operativo, Meta Brain 3.0 de JD Logistics coordina decisiones entre almacenamiento, transporte y reparto. Según JD, el sistema reduce de minutos a segundos el cálculo de rutas óptimas para cientos de millones de paquetes. 18
22
Visto en ese contexto, EchoWM es sobre todo una apuesta por modelos abiertos e infraestructura de investigación para la IA interactiva y física, no un anuncio de financiación. Su propuesta central es clara: combinar navegación de cámara controlable con vídeo y sonido generados conjuntamente, sin ocultar que la consistencia del mundo a largo plazo continúa siendo un problema abierto. 1
11
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "JD abre EchoWM: IA para explorar escenas generadas con imagen y sonido a la vez"?
JD presentó como código abierto JoyAI EchoWM y EchoWM Flash, una versión de streaming causal de cuatro pasos, durante JDD 2026.
¿Cuáles son los puntos clave a validar primero?
JD presentó como código abierto JoyAI EchoWM y EchoWM Flash, una versión de streaming causal de cuatro pasos, durante JDD 2026. El modelo traduce órdenes de teclado o mando en trayectorias continuas de cámara con seis grados de libertad, para exploración en primera persona y planos en tercera persona.
¿Qué debo hacer a continuación en la práctica?
La publicación se integra en la estrategia de IA física de JD, que contempla un clúster nacional de 100.000 GPU y más de 10 millones de horas de vídeo de actividad real.