Runway 發表 Solaris：不經過程式碼，直接生成畫面本身的世界模型

按下按鈕之後會發生什麼事？在此之前，這個答案必須事先用程式碼寫好。Runway 在 2026 年 8 月 31 日發表的 Solaris 直接省去了這道工序，使用者每操作一次，它就逐格生成一次畫面。這是該公司稱為「介面世界模型」的新系列中的第一個模型。

不是「畫」出畫面，而是持續「生成」畫面

在現行的軟體開發流程裡，設計師做出的視覺稿要先翻譯成程式碼這個中間表示。正因為有這道翻譯工序，介面只能回應事先設想過的操作，精細的設計也會因實作上的取捨而被削減。

Solaris 沒有中間表示。點擊、拖曳以及輸入的指令會直接成為下一格畫面的條件，像生成影片那樣生成介面。Runway 舉的例子是一家虛擬服飾店：從衣架上拿起衣服，拖到自己的照片上就是試穿，也可以重新排列陳列。這不是在頁面之間跳轉，而更接近伸手觸碰眼前的環境。

該公司把 Solaris 的性質整理成 3 點：一切都以視覺資訊的形式完成，畫面底下沒有另一層實作；由於持續生成，光線與反射一直在變化，處於「活著」的狀態；以及能夠回應開發者未曾設想的操作，是一種開放式的設計。

把影片模型改造成即時引擎

技術基礎是 Runway 的影片生成模型 Gen-4.5。Solaris 延續該公司先前發表的通用世界模型 GWM-1 的路線，並將它改造成足以承受互動的速度。

改造分成 3 個階段。首先切換成自迴歸生成，每一格畫面只參考先前的內容。接著把通常要重複數十次的去雜訊流程蒸餾到只剩幾步。最後再用高速版本自身的輸出繼續訓練，讓長時間生成時畫質不會崩壞。一般認為操作回應超過 0.5 秒，人就會失去互動感，而每段片段需要數秒到數分鐘的傳統影片擴散模型無法達到這個標準。

分工方式也很有特色。決定「應該發生什麼」的是語言模型，負責「如何呈現」的是世界模型。語言模型解讀使用者的要求，判斷該就地修改場景還是切換到新場景，並產生用於算圖的提示詞。推理與算圖被拆分開來。

Runway 也把這個想法稱為「重新定義滑鼠」。由於操作的意義是以自然語言描述，因此可以隨場景改變。點擊一隻貓，牠的毛色與質感就會轉移到你接下來碰到的東西上；點擊一幅畫，就能以那種畫風開始作畫。

在 250 人的評測中勝過程式碼實作

Runway 提出了 2 項驗證。

第一項衡量翻譯造成的資訊流失。研究者讓最新的多模態語言模型僅憑一張螢幕截圖重建 30 種介面，再以 SSIM 與 DINOv3 特徵比較重建結果與原圖的一致程度，受測模型包含 Claude Fable 5。結果顯示所有模型都會流失資訊，其中自然影像的流失最為明顯，因為無法化為語言的視覺密度會被丟掉。

第二項是 Solaris 與程式碼實作的直接比較。研究者把相同的影像與相同的操作要求分別交給 Solaris 與最新的語言模型（Claude Opus 5），由 250 名參與者針對 30 種操作範例做出約 7,500 組兩兩判定。在對指令的忠實度上，Solaris 為 61%，程式碼實作為 24%，13% 判為相當。在場景中行為的自然度上，Solaris 為 71%，程式碼實作為 21%，6% 判為相當。

差距較大的是後者。程式碼雖然能重現被要求的變更，卻把它當成畫面上孤立的一次更新來處理。而已經學過物體、材質與環境行為方式的模型，可以生成與周遭邏輯相符的反應，這是 Runway 的主張。