AnswersPublished17 sources
JD julkaisi avoimena EchoWM:n, jossa kuva ja ääni muuttuvat käyttäjän liikkeiden mukana
JD julkisti JDD 2026 tapahtumassa avoimena JoyAI EchoWM:n sekä kevyemmän, nelivaiheisen EchoWM Flash version. Yhtenäinen kamera aikomus muuntaa näppäimistön tai ohjaimen komennot jatkuviksi kuuden vapausasteen kameraradoiksi.
JulkaisijaMuokattu mallilla GPT-5.6 TerraKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- JD julkisti JDD 2026 tapahtumassa avoimena JoyAI EchoWM:n sekä kevyemmän, nelivaiheisen EchoWM Flash version.
- Yhtenäinen kamera aikomus muuntaa näppäimistön tai ohjaimen komennot jatkuviksi kuuden vapausasteen kameraradoiksi.
- Julkaisu kuuluu JD:n physical AI strategiaan, johon sisältyvät suunnitelmat 100 000 GPU:n laskentaklusterista ja yli 10 miljoonan tunnin videodatasta.
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 on avannut JoyAI-EchoWM-mallin sekä sen kevyemmän, nelivaiheisen kausaalista suoratoistoa käyttävän EchoWM-Flash-version. Kyse on audiovisuaalisesta maailmamallista: tarkoitus ei ole vain luoda ennalta määrätty videopätkä, vaan antaa käyttäjän liikkua tekoälyn muodostamassa näkymässä niin, että kuva ja ääni päivittyvät yhdessä. 1
6
Videota, ääntä ja käyttäjän ohjausta samassa mallissa
EchoWM tuottaa 720p-videota sekä siihen synkronoitua ympäristöääntä, musiikkia ja puhetta. Kun käyttäjä vaihtaa suuntaa tai liikkuu näkymässä, mallin on tarkoitus muuttaa sekä kuvaa että äänimaisemaa tilanteen mukaisesti – ei vain lisätä valmista ääniraitaa videon päälle. 1
2
Ohjaus perustuu yhtenäiseen kamera-aikomuksen esitykseen. Näppäimistön tai peliohjaimen komennot muunnetaan jatkuviksi kuuden vapausasteen (6-DoF) kameraradoiksi. Tämä mahdollistaa niin ensimmäisen persoonan liikkumisen kuin kolmannen persoonan tai seurantaotoksen kaltaiset kuvakulmat. Kameran reitti ohjaa kuvan muodostumista, ja tapahtumien pitäisi tuottaa tilanteeseen sopivia ääniä, kuten askeleita, törmäyksiä, puhetta tai musiikkia. 1
11
Flash-versio pyrkii nopeampaan reagointiin
EchoWM-Flash on nelivaiheinen kausaalinen suoratoistoversio, jonka tavoitteena on vähentää generointiin tarvittavia näytteenottovaiheita ja säilyttää silti ohjauksen nopea vaste.
Tutkimusartikkelin 158 tapauksen WBench Navigation -testissä EchoWM:n keskiarvo oli 81,7 ja EchoWM-Flashin 81,0. EchoWM:n interaktiopisteet olivat 87,2 ja johdonmukaisuuspisteet 89,8; Flashin interaktiopisteet olivat 87,9. 1
Luvut ovat mallin kehittäjien ja tutkimusartikkelin raportoimia vertailutuloksia, eivät riippumatonta näyttöä siitä, että mallit soveltuisivat sellaisenaan kaikkiin reaaliaikaisiin tuotantokäyttöihin. Erillinen WBench-tietovarasto listaa JoyAI-Echo-1.5 (WM) -mallille tuloksen 81,6 ja sen nelivaiheiselle Flash-versiolle 81,0. Tämä selittää, miksi EchoWM:n tulos esiintyy lähteissä sekä muodossa 81,6 että 81,7. 15
Lyhyt konteksti tukee jatkuvuutta – mutta pysyvää 3D-muistia ei ole
EchoWM tukee usean vuoron tutkimista hyödyntämällä lyhyttä, edeltävästä kuvasta ja äänestä koostuvaa konteksti-ikkunaa. Malli voi siis jatkaa käyttäjän aloittamaa reittiä, mutta sillä ei ole pysyvää, eksplisiittistä kolmiulotteista maailmanesitystä.
Ero on käytännössä olennainen. Kun tutkimus jatkuu pitkään, tilasuhteet tai visuaaliset yksityiskohdat voivat vähitellen ajautua pois linjasta. JD:n raportoimat testit kertovat vahvuuksista vuorovaikutuksessa ja johdonmukaisuudessa, mutta pitkän aikavälin maailman pysyvyys on edelleen avoin haaste. 1
11
Koulutusdataa pelistä, simulaatiosta ja verkosta
Tutkimuksessa kuvataan maailmadataan perustuvaa koulutusjärjestelmää ja vaiheittaista opetusprosessia. Aineistona käytetään pelilokeja, ihmisten pelaamisesta tallennettua videota, Unreal Engineen pohjautuvaa simulaatiota, jossa kameran asennot tunnetaan, sekä internetvideoita. Tavoitteena on yhdistää ohjattava kameraliike, kuvan dynamiikka ja synkronoitu äänentuotto samaan malliin. 1
Tutkimusartikkeli ohjaa myös julkiseen jd-opensource/JoyAI-Echo-koodivarastoon. Siksi julkaisu kiinnostaa erityisesti tutkijoita ja kehittäjiä, jotka kokeilevat interaktiivisia maailmamalleja. 1
Osa JD:n physical AI -kokonaisuutta
EchoWM esiteltiin osana JD:n laajempaa physical AI -panostusta. Termillä viitataan tässä tekoälyyn, joka on tarkoitettu ymmärtämään ja tukemaan fyysisiä ympäristöjä, robotteja ja logistiikan kaltaisia toimintoja.
JD Cloud suunnittelee kotimaisiin ratkaisuihin pohjautuvaa 100 000 GPU:n laskentaklusteria suurten mallien koulutukseen, päättelyyn ja kehollistuneen tekoälyn työkuormiin. Lisäksi yhtiö aikoo kerätä yli 10 miljoonaa tuntia videota ihmisten toiminnasta todellisissa ympäristöissä. 18
22
Logistiikan käytännön vastinpari on JD Logisticsin Meta Brain 3.0. JD:n mukaan järjestelmä koordinoi päätöksiä varastoinnin, kuljetusten ja jakelun välillä ja lyhentää satojen miljoonien pakettien optimaalisten reittien laskenta-ajan minuuteista sekunteihin. 18
22
EchoWM kannattaa siis nähdä avoimena mallina ja tutkimusinfrastruktuurin avauksena interaktiiviselle ja physical AI -kehitykselle, ei rahoitusuutisena. Sen keskeinen tekninen lupaus on selkeä: käyttäjän ohjattava kameraliike sekä yhtä aikaa syntyvä kuva ja ääni. Pitkissä, yhtenäisyyttä vaativissa virtuaalimaailmoissa ratkaistavaa kuitenkin riittää edelleen. 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 julkaisi avoimena EchoWM:n, jossa kuva ja ääni muuttuvat käyttäjän liikkeiden mukana"?
JD julkisti JDD 2026 tapahtumassa avoimena JoyAI EchoWM:n sekä kevyemmän, nelivaiheisen EchoWM Flash version.
What are the key points to validate first?
JD julkisti JDD 2026 tapahtumassa avoimena JoyAI EchoWM:n sekä kevyemmän, nelivaiheisen EchoWM Flash version. Yhtenäinen kamera aikomus muuntaa näppäimistön tai ohjaimen komennot jatkuviksi kuuden vapausasteen kameraradoiksi.
What should I do next in practice?
Julkaisu kuuluu JD:n physical AI strategiaan, johon sisältyvät suunnitelmat 100 000 GPU:n laskentaklusterista ja yli 10 miljoonan tunnin videodatasta.