一秒钟一个世界：Viggle JST-2 把 3D 内容的成本结构，重新算了一遍
Viggle JST-2 用“3D 原子”表示世界：官方称约 1 秒生成一个可走进去的 3D 场景，一张图生成可动画的 3D 角色。
01
先说一个反常识的对比。
据 Viggle 官方 10 月 19 日的发布，它的新模型 JST-2，前馈生成一个可以走进去的 3D 场景，大约只要 1 秒。
这个 1 秒，是在 B200 上测的，不含网络传输时间。
每个场景的推理成本，低于 $0.01。
同样是生成 3D 世界，Viggle 拿来对比的 Marble，大约要 5–6 分钟。
注意，这些数字都是 Viggle 自己报的，目前还没有看到第三方的独立复测。
但是，就算打个折扣来看，这个差距也已经大到值得认真想一想了。
为什么？
因为，当一件事从“几分钟”变成“一秒钟”，它就不再是同一件事了。
02
要理解这件事，我们必须首先理解：做 3D 内容，到底贵在哪里？
是贵在模型吗？
不完全是。
做过游戏、做过动画的朋友都知道，一个 3D 角色从无到有，要建模，要贴图，要绑骨，要蒙皮，然后才能动起来。一个场景，要搭结构，要摆物件，要调光。
每一步，都是人的时间。
我把它写成一个简单的式子：
3D 内容成本 = 生成成本 + 加工成本 + 返工成本
过去，大家拼命优化的，是第一项。
可是真正吃掉预算的，往往是后两项。生成出来不能直接用，要人去绑、去修、去改。改一次不满意，再来一次。
所以，判断一个 3D 生成模型有没有商业价值，不能只看它生成得多快，更要看它生成出来的东西，离“能用”还有多远。
03
那么，JST-2 是怎么做的？
JST 的全称是 Joint Space-and-Time，也就是“空间与时间联合”。
据 Viggle 官方介绍，它不在像素里学世界，而是把世界表示为 3D 空间里持续存在的“原子”。每个原子有显式的 xyz 坐标，还带着属性和动力学向量。Viggle 把它叫作 Physics-Native Tokens。
这些原子，最后解码成 3D Gaussian splats，在浏览器里本地渲染。
这句话有点技术。我用大白话翻译一下。
过去很多视频模型生成的是“画面”，一帧一帧的图。你看到一张桌子，但模型并不真的知道桌子在哪里。
JST-2 想做的，是先把“东西”放进空间里，再去画它。桌子在哪，多大，怎么动，都记在原子上。
先有世界，再有画面。
这就是它和“生成一段视频”的本质区别（这是我的理解，以 Viggle 官方技术说明为准）。
另外几个能力，也值得记下来：
最多可以用 64 个视角作为空间上下文；
可以一边看，一边扩展世界；
可以从稀疏的真实观测，重建出完整的环境。
这里面，有两个细节，我觉得在商业上特别值得注意。
第一个，是浏览器本地渲染。
为什么值得注意？
因为渲染放在哪里，决定了成本由谁来付。
如果用户每看一次 3D 世界，都要在服务器上实时渲染，那么用户越多，账单越高。用户增长，反而成了负担。
而在浏览器本地渲染，意味着生成之后，“看”的成本，主要落在用户自己的设备上（这是我的推断，实际分工以 Viggle 技术说明为准）。
生成 → 平台承担；观看 → 分摊到每个用户的设备
第二个，是一边看一边扩展世界。
这意味着，世界不必一次生成完。用户走到哪里，就生成到哪里。
这和制造业里的“先下单，再生产”，是同一种逻辑：按需生产，不囤库存（这是我的类比）。
04
再说角色。
据 Viggle 官方，JST-2 用一张图，就能生成一个全身的 3D 角色，而且动力学是内置的，不需要再单独做绑骨和蒙皮。
还记得前面那个式子吗？
这一条，直接砍的是“加工成本”。
Viggle 还称，在盲测中，它领先于 Meshy 7.1 和 Tripo H3.1。这是 Viggle 自己公布的盲测结果，测试方法和样本，建议以官方研究页为准。
这里要提醒一句：一张图就能生成可动的角色，如果这张图是一个真实的人，那么必须先取得本人的授权。技术越方便，这条底线越要守住。
05
那么，这件事对谁影响最大？
我们来看一条传导链：
生成从分钟级到秒级 → 单次试错几乎不花钱 → 可以大量生成、大量筛选 → 3D 内容从“稀缺品”变成“消耗品”
最直接受影响的，可能是下面这几类人（以下是我的推断）。
第一类，是做游戏和互动内容的团队。
我们假设一个场景，注意，是假设：一家小游戏工作室，过去想做一个可以走进去的关卡，得先画概念图，再建模搭场景。现在，他们也许可以先用这类模型快速生成很多版草稿，挑出方向，再让美术精修。
美术不会被替代，但美术的时间，会从“搭”转向“挑”和“修”。
第二类，是做机器人仿真和自动驾驶的团队。
据 Viggle 官方，JST-2 可以从稀疏的真实观测重建完整环境，用于机器人仿真、自动驾驶、测绘和建筑。
为什么这件事重要？
因为机器人和自动驾驶的训练，很依赖大量的仿真环境。环境越多、越接近真实，训练就越充分。而搭环境，过去恰恰是最慢、最贵的一环。
如果生成一个环境的成本真的降到 Viggle 说的水平，那么，仿真环境的供给方式就可能被改写。
第三类，是测绘和建筑。
这两个行业，本来就在跟“真实空间”打交道。过去，要把一栋楼、一片街区变成可以浏览的 3D 模型，需要大量采集，再大量处理。
如果从稀疏观测就能重建出完整环境，那么采集的工作量，就有可能被压缩。
当然，这还只是可能。重建出来的环境够不够准，能不能用在对精度要求很高的场合，还要等真实项目来检验。
06
说完机会，必须说边界。
Viggle 官方自己列出了几条已知的局限：
关节处会有 splat 伪影；
近看时，细节会变软；
非常规的身材，处理得还不好；
衣物和头发，还没有做物理模拟。
Viggle 说，下一步要做的是“学习物理”。
这几条局限，说明什么？
说明它离“直接替代专业管线”还有距离。尤其是近看细节和衣物头发，恰恰是游戏和影视里最容易被看出破绽的地方。
所以，如果你今天就想用它，我的建议是（以下是我的建议）：
第一，先用在“远景”和“草稿”上，别急着用在主角特写上；
第二，先算清楚自己的加工成本和返工成本，看它到底砍掉了哪一项；
第三，小步试。据 Viggle 官方，开发者 API 门户提供 100 免费额度，也可以在 PINOC 中试用。
最后补充一点背景。据 Viggle 官方，它 2022 年成立，上一代 JST-1 支撑的表情包 app，用户超过 5000 万。也就是说，这不是一家从零开始的公司，它有 C 端的流量底子，现在想往开发者和产业端走。
X 上关于 JST-2 的话题讨论也不少，但那些社区说法目前未经核实，这里不作为依据。
结语
回到最开始的问题。
1 秒钟生成一个世界，意味着什么？
不是 3D 内容变便宜了这么简单，而是试错变便宜了。
试错便宜了，筛选就变得比生成更重要。
当生成不再稀缺，稀缺的就是判断。
来源：Viggle JST-2 发布页（2026-10-19）；JST-2 角色研究页；Viggle 开发者 API 门户；X 话题。速度、成本、盲测对比与用户规模均为 Viggle 自报，Marble 的数字出自 Viggle 的对比口径；游戏工作室场景为作者假设；用真人照片生成角色须取得本人授权；X 话题为社区讨论，未核实。