一般生成式影片，做完就播完；京東今次開源的 JoyAI-EchoWM，想做的則是一個可以畀人「行入去」的 AI 場景。用戶轉方向、向前行，模型就會接住更新畫面，同時令環境聲、音樂甚至對白隨場景一齊變化。京東在 JDDiscovery（JDD）2026 同時公開較輕量的 EchoWM-Flash：一個四步因果串流版本，主打以較少採樣步數維持互動回應。16

唔係後加配樂，而係畫面同聲音一齊生成

EchoWM 可輸出 720p 影片，並同步生成環境聲、音樂及語音。重點唔只係生成一段固定片段，而是用戶在場景內導航時，影像與聲音會隨之延續及改變。12

例如，鏡頭路徑會影響畫面生成；場景中出現行走、碰撞、人物交談或音樂等事件時，系統目標是產生相應的腳步聲、撞擊聲、對白或配樂，而非事後另外疊上一條音軌。111

「鏡頭意圖」點樣控制？

模型採用統一的「鏡頭意圖」（camera-intent）表示法，將鍵盤或遊戲手掣指令轉換成連續的 6 自由度（6-DoF） 鏡頭軌跡。換句話講，系統既可支援第一身視角四圍行，亦可處理第三身鏡頭、跟拍一類的運鏡方式。111

這令它的定位更接近可操作的視聽場景，而唔係單純輸入提示詞後等待完成的一條影片。

Flash 版快啲，但分數要點睇？

EchoWM-Flash 是四步因果串流版本，目的在於減少採樣步數，令互動生成更有即時性。論文在涵蓋 158 個個案的 WBench Navigation 評測中，報告 EchoWM 平均分為 81.7，EchoWM-Flash 為 81.0；EchoWM 的互動性及一致性分別為 87.2、89.8，Flash 的互動性則為 87.9。1

不過，這些屬開發團隊及論文所報告的基準測試結果，不等同已經獨立證明模型適合所有即時製作或長時間運行的應用。WBench 的獨立程式庫頁面把 JoyAI-Echo-1.5（WM）列為 81.6、其四步 Flash 版列為 81.0，因此坊間會見到 EchoWM 有 81.6 與 81.7 兩個接近數字。15

可以連續探索，但未有真正「世界記憶」

EchoWM 支援多輪探索，方法是參考一小段最近的視聽上下文，再繼續生成後續內容。不過，這不代表它有一個會長期保存的、明確的 3D 世界模型。

差別相當重要：沒有持久 3D 記憶，探索時間一長，空間關係或畫面細節仍可能慢慢漂移。京東的結果顯示模型在互動及一致性測試表現不錯，但這種以短期上下文維持連續性的架構，對長距離導航仍然是一項實際限制。111

訓練資料同程式碼都公開

隨附研究提到，團隊建立了世界數據引擎及分階段訓練流程，資料包括遊戲紀錄、人類遊玩影片、以 Unreal Engine 製作的姿態對齊模擬資料，以及網上影片。目標是將可控鏡頭移動、視覺動態與同步聲音生成放入同一模型。1

論文亦連結至公開程式碼庫 jd-opensource/JoyAI-Echo，對研究互動世界模型的開發者及研究人員而言，這次是可實際取得的開源發布。1

放返入京東「物理 AI」大計先睇得清

EchoWM 並非一項獨立產品消息，而是京東物理 AI 佈局的一部分，涵蓋數據、算力、模型與物流營運。京東雲表示，計劃建設一個由國產硬件支援、規模達 10 萬張 GPU 的集群，用於大模型訓練、推理與具身 AI 工作負載；另外亦計劃收集超過 1,000 萬小時 真實人類活動影片。1822

在實際營運一端，京東物流的 Meta Brain 3.0（超腦 3.0）負責協調倉儲、運輸與配送決策。京東稱，系統可將數億件包裹的最佳路線計算時間由分鐘級縮短至秒級。1822

所以，EchoWM 最值得留意的地方，不是一次融資或單一消費產品發布，而是京東以開放模型和研究基建方式，押注互動式、面向物理世界的 AI。它的技術主張其實好直接：鏡頭可以控制，畫面與聲音要一齊生成；至於如何在更長時間內維持穩定、可信的世界一致性，仍然是未完全解決的難題。111

一般生成式影片，做完就播完；京東今次開源的 JoyAI-EchoWM，想做的則是一個可以畀人「行入去」的 AI 場景。用戶轉方向、向前行，模型就會接住更新畫面，同時令環境聲、音樂甚至對白隨場景一齊變化。京東在 JDDiscovery（JDD）2026 同時公開較輕量的 EchoWM-Flash：一個四步因果串流版本，主打以較少採樣步數維持互動回應。16

唔係後加配樂，而係畫面同聲音一齊生成

EchoWM 可輸出 720p 影片，並同步生成環境聲、音樂及語音。重點唔只係生成一段固定片段，而是用戶在場景內導航時，影像與聲音會隨之延續及改變。12

例如，鏡頭路徑會影響畫面生成；場景中出現行走、碰撞、人物交談或音樂等事件時，系統目標是產生相應的腳步聲、撞擊聲、對白或配樂，而非事後另外疊上一條音軌。111

「鏡頭意圖」點樣控制？

模型採用統一的「鏡頭意圖」（camera-intent）表示法，將鍵盤或遊戲手掣指令轉換成連續的 6 自由度（6-DoF） 鏡頭軌跡。換句話講，系統既可支援第一身視角四圍行，亦可處理第三身鏡頭、跟拍一類的運鏡方式。111

這令它的定位更接近可操作的視聽場景，而唔係單純輸入提示詞後等待完成的一條影片。

Flash 版快啲，但分數要點睇？

EchoWM-Flash 是四步因果串流版本，目的在於減少採樣步數，令互動生成更有即時性。論文在涵蓋 158 個個案的 WBench Navigation 評測中，報告 EchoWM 平均分為 81.7，EchoWM-Flash 為 81.0；EchoWM 的互動性及一致性分別為 87.2、89.8，Flash 的互動性則為 87.9。1

不過，這些屬開發團隊及論文所報告的基準測試結果，不等同已經獨立證明模型適合所有即時製作或長時間運行的應用。WBench 的獨立程式庫頁面把 JoyAI-Echo-1.5（WM）列為 81.6、其四步 Flash 版列為 81.0，因此坊間會見到 EchoWM 有 81.6 與 81.7 兩個接近數字。15

可以連續探索，但未有真正「世界記憶」

EchoWM 支援多輪探索，方法是參考一小段最近的視聽上下文，再繼續生成後續內容。不過，這不代表它有一個會長期保存的、明確的 3D 世界模型。

差別相當重要：沒有持久 3D 記憶，探索時間一長，空間關係或畫面細節仍可能慢慢漂移。京東的結果顯示模型在互動及一致性測試表現不錯，但這種以短期上下文維持連續性的架構，對長距離導航仍然是一項實際限制。111

訓練資料同程式碼都公開

隨附研究提到，團隊建立了世界數據引擎及分階段訓練流程，資料包括遊戲紀錄、人類遊玩影片、以 Unreal Engine 製作的姿態對齊模擬資料，以及網上影片。目標是將可控鏡頭移動、視覺動態與同步聲音生成放入同一模型。1

論文亦連結至公開程式碼庫 jd-opensource/JoyAI-Echo，對研究互動世界模型的開發者及研究人員而言，這次是可實際取得的開源發布。1

放返入京東「物理 AI」大計先睇得清

EchoWM 並非一項獨立產品消息，而是京東物理 AI 佈局的一部分，涵蓋數據、算力、模型與物流營運。京東雲表示，計劃建設一個由國產硬件支援、規模達 10 萬張 GPU 的集群，用於大模型訓練、推理與具身 AI 工作負載；另外亦計劃收集超過 1,000 萬小時 真實人類活動影片。1822

在實際營運一端，京東物流的 Meta Brain 3.0（超腦 3.0）負責協調倉儲、運輸與配送決策。京東稱，系統可將數億件包裹的最佳路線計算時間由分鐘級縮短至秒級。1822

所以，EchoWM 最值得留意的地方，不是一次融資或單一消費產品發布，而是京東以開放模型和研究基建方式，押注互動式、面向物理世界的 AI。它的技術主張其實好直接：鏡頭可以控制，畫面與聲音要一齊生成；至於如何在更長時間內維持穩定、可信的世界一致性，仍然是未完全解決的難題。111