传统视频生成的观看方式是“按下播放键”。京东此次开源的 JoyAI-EchoWM 想把它改成“走进去看看”：用户改变方向、推进镜头或跟随角色时，模型持续更新画面，并让环境声、音乐和语音随场景一起演化。

在 JDD 2026 上，京东发布并开源了这款可交互视听世界模型，同时推出更轻量的四步因果流式版本 EchoWM-Flash。两者的目标并非生成一段固定的视频成片，而是构建可被用户持续探索的生成式场景。16

不只是“生成画面”，而是同步生成声音

EchoWM 可联合生成 720P 视频、环境音、音乐和语音。其核心卖点是音画原生协同：用户在生成场景中移动或转向时，声音并非事后叠加的配乐，而是应与画面、镜头和场景事件同步变化。12

例如，镜头中的角色行走、发生碰撞或展开对话时，系统的目标是生成对应的脚步声、撞击声与语音；镜头轨迹则会直接影响视觉输出。这让生成内容更接近一个可以探索的视听空间，而非一段播放完即结束的视频。111

一个控制接口，覆盖第一人称与第三人称

为了让用户能够在场景中“行动”，EchoWM 使用统一的“相机意图”（camera-intent）表示：它把键盘或控制器指令转换为连续的 六自由度（6-DoF） 相机轨迹，即位置移动加上镜头朝向变化。

借助这套接口，模型可支持第一人称漫游，也可用于第三人称、跟随式镜头等视角控制。111

EchoWM-Flash：用更少采样步数换取更快响应

EchoWM-Flash 是四步因果流式版本，设计重点是减少采样步骤、提升交互式生成的响应效率。

在论文报告的 158 个 WBench Navigation 测试案例中，EchoWM 平均得分为 81.7，Flash 为 81.0。其中，EchoWM 的交互性和一致性得分分别为 87.2 与 89.8；Flash 的交互性得分为 87.9。1

这些成绩属于论文及开发团队披露的基准测试结果，不能直接等同于模型已经适合所有实时生产场景。WBench 的独立代码库记录中，JoyAI-Echo-1.5（WM）的分数为 81.6，四步 Flash 版本为 81.0，因此公开报道中出现 81.6 与 81.7 的细微差异。15

能连续探索，但还不是持久化 3D 世界

EchoWM 支持多轮探索，方法是在继续生成时参考一段短的、最近的视听上下文。这使用户可以连续推进一段导航过程。

但它没有维护一个显式、持久的三维世界表示。这一区别很关键：当探索时间拉长，模型可能逐步出现空间关系或视觉内容的漂移。换言之，它在交互性和短至中程连续性上展现了能力，但长时间保持同一世界严格一致，仍是尚未完全解决的问题。111

训练数据从游戏、真人操作到虚幻引擎模拟

配套论文介绍，团队构建了世界数据引擎，并采用分阶段训练流程。数据来源包括游戏日志、真人操作录像、基于 Unreal Engine（虚幻引擎）的姿态对齐模拟数据，以及互联网视频。

其目的，是将可控相机运动、画面动态变化与同步声音生成整合到同一模型中。1

项目代码已通过 jd-opensource/JoyAI-Echo 公开，论文也给出了对应入口，对研究者和尝试交互式世界模型的开发者具有参考价值。1

放在京东“物理 AI”布局中看

EchoWM 并不是一项独立的融资或商业合作公告，而是京东物理 AI 布局中的模型与研究基础设施动作。

京东云表示，计划建设国产 10 万卡 GPU 算力集群，用于大模型训练、推理及具身智能工作负载；同时计划采集超过 1000 万小时 的真实人类活动视频。1822

在物流端，京东物流的 Meta Brain 3.0 被定位为相应的运营系统：它协调仓储、运输与配送环节的决策。京东称，该系统可将数亿件包裹的最优路径计算时间从分钟级压缩到秒级。1822

因此，EchoWM 最值得关注的技术命题很直接：让用户可控的镜头导航，与同步生成的视频和声音结合起来。它展示了生成式世界模型从“可看”走向“可探索”的方向，同时也清楚提示了一个现实边界——长时程世界一致性依然是开放问题。111

传统视频生成的观看方式是“按下播放键”。京东此次开源的 JoyAI-EchoWM 想把它改成“走进去看看”：用户改变方向、推进镜头或跟随角色时，模型持续更新画面，并让环境声、音乐和语音随场景一起演化。

在 JDD 2026 上，京东发布并开源了这款可交互视听世界模型，同时推出更轻量的四步因果流式版本 EchoWM-Flash。两者的目标并非生成一段固定的视频成片，而是构建可被用户持续探索的生成式场景。16

不只是“生成画面”，而是同步生成声音

EchoWM 可联合生成 720P 视频、环境音、音乐和语音。其核心卖点是音画原生协同：用户在生成场景中移动或转向时，声音并非事后叠加的配乐，而是应与画面、镜头和场景事件同步变化。12

例如，镜头中的角色行走、发生碰撞或展开对话时，系统的目标是生成对应的脚步声、撞击声与语音；镜头轨迹则会直接影响视觉输出。这让生成内容更接近一个可以探索的视听空间，而非一段播放完即结束的视频。111

一个控制接口，覆盖第一人称与第三人称

为了让用户能够在场景中“行动”，EchoWM 使用统一的“相机意图”（camera-intent）表示：它把键盘或控制器指令转换为连续的 六自由度（6-DoF） 相机轨迹，即位置移动加上镜头朝向变化。

借助这套接口，模型可支持第一人称漫游，也可用于第三人称、跟随式镜头等视角控制。111

EchoWM-Flash：用更少采样步数换取更快响应

EchoWM-Flash 是四步因果流式版本，设计重点是减少采样步骤、提升交互式生成的响应效率。

在论文报告的 158 个 WBench Navigation 测试案例中，EchoWM 平均得分为 81.7，Flash 为 81.0。其中，EchoWM 的交互性和一致性得分分别为 87.2 与 89.8；Flash 的交互性得分为 87.9。1

这些成绩属于论文及开发团队披露的基准测试结果，不能直接等同于模型已经适合所有实时生产场景。WBench 的独立代码库记录中，JoyAI-Echo-1.5（WM）的分数为 81.6，四步 Flash 版本为 81.0，因此公开报道中出现 81.6 与 81.7 的细微差异。15

能连续探索，但还不是持久化 3D 世界

EchoWM 支持多轮探索，方法是在继续生成时参考一段短的、最近的视听上下文。这使用户可以连续推进一段导航过程。

但它没有维护一个显式、持久的三维世界表示。这一区别很关键：当探索时间拉长，模型可能逐步出现空间关系或视觉内容的漂移。换言之，它在交互性和短至中程连续性上展现了能力，但长时间保持同一世界严格一致，仍是尚未完全解决的问题。111

训练数据从游戏、真人操作到虚幻引擎模拟

配套论文介绍，团队构建了世界数据引擎，并采用分阶段训练流程。数据来源包括游戏日志、真人操作录像、基于 Unreal Engine（虚幻引擎）的姿态对齐模拟数据，以及互联网视频。

其目的，是将可控相机运动、画面动态变化与同步声音生成整合到同一模型中。1

项目代码已通过 jd-opensource/JoyAI-Echo 公开，论文也给出了对应入口，对研究者和尝试交互式世界模型的开发者具有参考价值。1

放在京东“物理 AI”布局中看

EchoWM 并不是一项独立的融资或商业合作公告，而是京东物理 AI 布局中的模型与研究基础设施动作。

京东云表示，计划建设国产 10 万卡 GPU 算力集群，用于大模型训练、推理及具身智能工作负载；同时计划采集超过 1000 万小时 的真实人类活动视频。1822

在物流端，京东物流的 Meta Brain 3.0 被定位为相应的运营系统：它协调仓储、运输与配送环节的决策。京东称，该系统可将数亿件包裹的最优路径计算时间从分钟级压缩到秒级。1822

因此，EchoWM 最值得关注的技术命题很直接：让用户可控的镜头导航，与同步生成的视频和声音结合起来。它展示了生成式世界模型从“可看”走向“可探索”的方向，同时也清楚提示了一个现实边界——长时程世界一致性依然是开放问题。111