AnswersPublished17 sources
JD släpper EchoWM öppet: AI-världar där bild och ljud följer dina rörelser
JD presenterade och öppenkällkodade JoyAI EchoWM samt fyrastegsvarianten EchoWM Flash vid JDD 2026. Ett gemensamt gränssnitt för kamerahensikt omvandlar tangentbords eller handkontrollskommandon till kontinuerliga rörelser med sex frihetsgrader, för både förstapersonsutforskning och tredjepersonsvyer.
Publicerad avRedigerad med GPT-5.6 TerraBilder genererade med GPT Image 2
Research answer
Key takeaways
- JD presenterade och öppenkällkodade JoyAI EchoWM samt fyrastegsvarianten EchoWM Flash vid JDD 2026.
- Ett gemensamt gränssnitt för kamerahensikt omvandlar tangentbords eller handkontrollskommandon till kontinuerliga rörelser med sex frihetsgrader, för både förstapersonsutforskning och tredjepersonsvyer.
- Lanseringen ingår i JD:s satsning på fysisk AI, med planer på ett inhemskt GPU kluster med 100 000 GPU:er och insamling av över 10 miljoner timmar video från verkliga mänskliga 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 har öppenkällkodat JoyAI-EchoWM, en interaktiv audiovisuell världsmodell, och EchoWM-Flash, en lättare version för kausal strömning i fyra steg. Tanken är inte att skapa ett färdigt videoklipp, utan en AI-genererad miljö som användaren kan röra sig genom medan både bild och ljud förändras i takt med navigeringen. 1
6
En AI-värld att gå in i
EchoWM genererar video i 720p tillsammans med synkroniserade miljöljud, musik och tal. När användaren byter riktning eller förflyttar sig i scenen ska modellen uppdatera både bilden och ljudbilden – snarare än att lägga på ett separat ljudspår i efterhand. 1
2
Kärnan är en gemensam representation för kamerahensikt. Tangentbordskommandon eller signaler från en handkontroll omvandlas till kontinuerliga kamerabanor med sex frihetsgrader: rörelse framåt, bakåt och i sidled, samt rotation kring tre axlar. Det ska fungera både för navigering i förstaperson och för tredjepersons- eller följande kameravinklar. 1
11
Kamerans väg styr den visuella genereringen, medan händelser i scenen ska ge upphov till passande ljud – som fotsteg, kollisioner, repliker eller musik. Ambitionen är alltså att bild och ljud skapas som delar av samma händelseförlopp. 1
11
Flash-varianten ska minska fördröjningen
EchoWM-Flash är den fyrastegsvariant med kausal strömning som ska ge snabbare och mer responsiv interaktiv generering med färre samplingssteg. I uppsatsens test med 158 fall i WBench Navigation fick EchoWM ett genomsnitt på 81,7, medan EchoWM-Flash fick 81,0. EchoWM rapporterades ha 87,2 i interaktion och 89,8 i konsekvens; Flash-versionen fick 87,9 i interaktion. 1
Resultaten är rapporterade av utvecklarna och i forskningsartikeln, och ska inte tolkas som oberoende belägg för att modellerna passar alla produktionsmiljöer i realtid. WBench-projektets eget kodarkiv listar JoyAI-Echo-1.5 (WM) på 81,6 och fyrastegs-Flash på 81,0, vilket förklarar den lilla skillnaden mellan uppgifterna 81,6 och 81,7. 15
Kontinuitet utan en bestående 3D-modell
Modellen kan stödja utforskning över flera interaktioner genom att ta hänsyn till ett kort, löpande fönster av tidigare video och ljud. Det hjälper den att fortsätta en navigerad sekvens, men innebär inte att den har en explicit och permanent 3D-representation av världen.
Det är en viktig begränsning. Utan ett beständigt 3D-minne kan rumsliga relationer och visuella detaljer gradvis glida isär vid längre utforskningar. JD:s resultat visar starka värden för interaktion och konsekvens i benchmarktestet, men kontextbaserad kontinuitet är fortfarande en praktisk svaghet i långa körningar. 1
11
Träning på spel, simuleringar och verkligt videomaterial
Forskningsartikeln beskriver en datamotor för världar och en träningsprocess i flera steg. Underlaget omfattar spelloggar, videor av människor som spelar, posesatta simuleringar byggda i Unreal Engine samt videomaterial från internet. Målet är att knyta ihop styrbar kamerarörelse, visuella förändringar och synkroniserad ljudgenerering i samma modell. 1
JD länkar i artikeln till den publika kodbasen jd-opensource/JoyAI-Echo, vilket gör projektet tillgängligt för forskare och utvecklare som vill experimentera med interaktiva världsmodeller. 1
En byggsten i JD:s satsning på fysisk AI
EchoWM presenterades som en del av JD:s större satsning på fysisk AI – AI som ska kunna kopplas till data, beräkningskapacitet, modeller och logistikverksamhet. JD Cloud uppger att bolaget planerar ett inhemskt kluster med 100 000 GPU:er för träning och inferens av stora modeller samt arbetslaster inom förkroppsligad AI. Planen omfattar också insamling av mer än 10 miljoner timmar video av mänskliga aktiviteter i verkliga miljöer. 18
22
På den operativa sidan lyfts JD Logistics system Meta Brain 3.0 fram. Enligt JD samordnar systemet beslut inom lager, transporter och leveranser, och ska ha kortat tiden för att beräkna optimala rutter för hundratals miljoner paket från minuter till sekunder. 18
22
Sett i det sammanhanget är EchoWM främst en öppen modell- och forskningssatsning för interaktiva system och fysisk AI, inte ett finansieringsbesked. Det mest utmärkande tekniska löftet är enkelt: användarstyrd kameranavigering ska kunna kombineras med video och ljud som genereras gemensamt – samtidigt som långsiktig konsekvens i AI-världen fortfarande är ett olöst problem. 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 släpper EchoWM öppet: AI-världar där bild och ljud följer dina rörelser"?
JD presenterade och öppenkällkodade JoyAI EchoWM samt fyrastegsvarianten EchoWM Flash vid JDD 2026.
What are the key points to validate first?
JD presenterade och öppenkällkodade JoyAI EchoWM samt fyrastegsvarianten EchoWM Flash vid JDD 2026. Ett gemensamt gränssnitt för kamerahensikt omvandlar tangentbords eller handkontrollskommandon till kontinuerliga rörelser med sex frihetsgrader, för både förstapersonsutforskning och tredjepersonsvyer.
What should I do next in practice?
Lanseringen ingår i JD:s satsning på fysisk AI, med planer på ett inhemskt GPU kluster med 100 000 GPU:er och insamling av över 10 miljoner timmar video från verkliga mänskliga aktiviteter.