京東在 JDDiscovery（JDD）2026 的核心 AI 發布之一，是開源 JoyAI-EchoWM 與較輕量的 EchoWM-Flash。兩者不是單純做出一段播完即止的 AI 影片，而是嘗試讓使用者「走進」生成場景：當使用者改變移動方向或視角，畫面與聲音會一併往前演化。 16

不只是影片生成，而是能操控的視聽場景

EchoWM 可同步生成 720p 影像、環境音、音樂與語音。其設計重點在於，聲音不是事後疊上的配樂；使用者在場景中導航時，影像與聲音都應依場景、鏡頭及事件一起變化。 12

系統採用統一的「相機意圖」（camera-intent）表示法，將鍵盤或控制器指令轉換為連續的**六自由度（6-DoF）**相機軌跡。這代表它除了可用第一人稱在場景中漫遊，也能處理第三人稱或跟拍式的鏡頭視角。相機路徑用來引導視覺生成；而場景中的事件則預期對應合理聲響，例如腳步聲、碰撞聲、對話或音樂。 111

對開發者而言，這項設計的賣點是把「可控制的鏡頭運動」與「原生同步的視聽生成」放進同一套模型，而不是分別產生畫面與音軌再後製拼接。

EchoWM-Flash：用四步推論換取更快回應

EchoWM-Flash 是四步因果串流版本，目標是在大幅降低取樣步數後，仍保有適合互動操作的生成回應能力。

在論文公布的 158 個案例 WBench Navigation 評測中，EchoWM 平均分為 81.7，EchoWM-Flash 為 81.0。EchoWM 的互動性與一致性分別為 87.2、89.8；Flash 的互動性為 87.9。 1

這些是研究團隊／論文所公布的基準測試結果，不能直接等同於兩個模型已適用所有即時、長時程的商用製作情境。WBench 的獨立儲存庫則列出 JoyAI-Echo-1.5（WM）為 81.6、四步 Flash 版為 81.0；這也說明了不同資料來源中 81.6 與 81.7 的細微差異。 15

可以連續探索，但沒有永久 3D 世界記憶

EchoWM 支援多輪探索，是透過一小段最近的視聽內容作為後續生成的條件脈絡。這能讓模型延續使用者已走過的片段，但不代表它內部保存了一個明確、可持久維護的 3D 世界模型。

兩者的差別很關鍵：缺少持久化 3D 記憶時，探索時間拉長後，空間關係或畫面細節仍可能逐漸偏移。京東公布的結果顯示它在基準測試的互動與一致性表現突出，但以短脈絡維持連續性的架構，仍是長距離導航的一項實際限制。 111

資料、訓練與程式碼公開

隨附研究說明，EchoWM 使用世界資料引擎與分階段訓練流程，資料來源包括遊戲紀錄、人類遊玩影片、以 Unreal Engine 建置、具姿態對應的模擬資料，以及網路影片。目標是讓可控制的相機運動、影像動態與同步聲音在同一模型中建立關聯。 1

京東論文亦連結至公開程式碼儲存庫 jd-opensource/JoyAI-Echo，使研究人員與開發者得以實驗可互動世界模型系統。 1

放在京東物理 AI 戰略下看，意義更清楚

EchoWM 是京東物理 AI 布局的一塊拼圖，該布局涵蓋資料、算力、模型及物流營運。京東雲表示，規劃建置一個國產 10 萬 GPU 叢集，供大型模型訓練、推論與具身 AI 工作負載使用；同時也計畫蒐集超過 1,000 萬小時的真實人類活動影像。 1822

物流端的對應系統是京東物流 Meta Brain 3.0。京東稱，這套系統能協調倉儲、運輸與配送決策，將數億件包裹最佳路徑的運算時間由分鐘縮短至秒級。 1822

因此，EchoWM 的開源更適合被理解為互動式世界模型與物理 AI 研發基礎設施的公開布局，而非募資消息。它最鮮明的技術主張很直接：讓可控鏡頭導航與同步生成的影像、聲音結合；同時也應正視，如何在長時程探索中維持世界一致性，仍是尚待解決的挑戰。 111

京東在 JDDiscovery（JDD）2026 的核心 AI 發布之一，是開源 JoyAI-EchoWM 與較輕量的 EchoWM-Flash。兩者不是單純做出一段播完即止的 AI 影片，而是嘗試讓使用者「走進」生成場景：當使用者改變移動方向或視角，畫面與聲音會一併往前演化。 16

不只是影片生成，而是能操控的視聽場景

EchoWM 可同步生成 720p 影像、環境音、音樂與語音。其設計重點在於，聲音不是事後疊上的配樂；使用者在場景中導航時，影像與聲音都應依場景、鏡頭及事件一起變化。 12

系統採用統一的「相機意圖」（camera-intent）表示法，將鍵盤或控制器指令轉換為連續的**六自由度（6-DoF）**相機軌跡。這代表它除了可用第一人稱在場景中漫遊，也能處理第三人稱或跟拍式的鏡頭視角。相機路徑用來引導視覺生成；而場景中的事件則預期對應合理聲響，例如腳步聲、碰撞聲、對話或音樂。 111

對開發者而言，這項設計的賣點是把「可控制的鏡頭運動」與「原生同步的視聽生成」放進同一套模型，而不是分別產生畫面與音軌再後製拼接。

EchoWM-Flash：用四步推論換取更快回應

EchoWM-Flash 是四步因果串流版本，目標是在大幅降低取樣步數後，仍保有適合互動操作的生成回應能力。

在論文公布的 158 個案例 WBench Navigation 評測中，EchoWM 平均分為 81.7，EchoWM-Flash 為 81.0。EchoWM 的互動性與一致性分別為 87.2、89.8；Flash 的互動性為 87.9。 1

這些是研究團隊／論文所公布的基準測試結果，不能直接等同於兩個模型已適用所有即時、長時程的商用製作情境。WBench 的獨立儲存庫則列出 JoyAI-Echo-1.5（WM）為 81.6、四步 Flash 版為 81.0；這也說明了不同資料來源中 81.6 與 81.7 的細微差異。 15

可以連續探索，但沒有永久 3D 世界記憶

EchoWM 支援多輪探索，是透過一小段最近的視聽內容作為後續生成的條件脈絡。這能讓模型延續使用者已走過的片段，但不代表它內部保存了一個明確、可持久維護的 3D 世界模型。

兩者的差別很關鍵：缺少持久化 3D 記憶時，探索時間拉長後，空間關係或畫面細節仍可能逐漸偏移。京東公布的結果顯示它在基準測試的互動與一致性表現突出，但以短脈絡維持連續性的架構，仍是長距離導航的一項實際限制。 111

資料、訓練與程式碼公開

隨附研究說明，EchoWM 使用世界資料引擎與分階段訓練流程，資料來源包括遊戲紀錄、人類遊玩影片、以 Unreal Engine 建置、具姿態對應的模擬資料，以及網路影片。目標是讓可控制的相機運動、影像動態與同步聲音在同一模型中建立關聯。 1

京東論文亦連結至公開程式碼儲存庫 jd-opensource/JoyAI-Echo，使研究人員與開發者得以實驗可互動世界模型系統。 1

放在京東物理 AI 戰略下看，意義更清楚

EchoWM 是京東物理 AI 布局的一塊拼圖，該布局涵蓋資料、算力、模型及物流營運。京東雲表示，規劃建置一個國產 10 萬 GPU 叢集，供大型模型訓練、推論與具身 AI 工作負載使用；同時也計畫蒐集超過 1,000 萬小時的真實人類活動影像。 1822

物流端的對應系統是京東物流 Meta Brain 3.0。京東稱，這套系統能協調倉儲、運輸與配送決策，將數億件包裹最佳路徑的運算時間由分鐘縮短至秒級。 1822

因此，EchoWM 的開源更適合被理解為互動式世界模型與物理 AI 研發基礎設施的公開布局，而非募資消息。它最鮮明的技術主張很直接：讓可控鏡頭導航與同步生成的影像、聲音結合；同時也應正視，如何在長時程探索中維持世界一致性，仍是尚待解決的挑戰。 111