AI news

刚刚,一口气连发3个王炸模型、亮出2026年AGI战略,昆仑万维夯爆了

By 机器之心3 viewsSource: 机器之心
刚刚,一口气连发3个王炸模型、亮出2026年AGI战略,昆仑万维夯爆了

在会上,昆仑万维旗下天工 AI 重磅发布了全新 AI 游戏世界模型 Matrix-Game 3.0、AI 视频大模型 SkyReels V4 和 AI 音乐大模型 Mureka V9,在继续强化 AIGC 理解与生成能力的同时,进一步推进 AI 对物理世界的建模与仿真。

The full text has not been translated yet. The Chinese original is shown below.

就在 27 日下午,在火热进行中的 2026 中关村论坛上,一家国产头部 AI 厂商引爆了全场!

昆仑万维,这家 2022 年便已「All in AGI 与 AIGC」的实力玩家,亮出了其实现通用人工智能终极目标的最新「武器库」。

文章配图

作为兼具国家影响力和国际化视野的高规格论坛,一年一度的中关村论坛成为了汇聚国内外产业界、学术界、投资界一线代表的舞台。本届论坛以「科技创新与产业创新深度融合」为主题,吸引了来自 100 多个国家和地区的上千名嘉宾参与。

在会上,昆仑万维旗下天工 AI 重磅发布了全新 AI 游戏世界模型 Matrix-Game 3.0、AI 视频大模型 SkyReels V4和AI 音乐大模型 Mureka V9,在继续强化 AIGC 理解与生成能力的同时,进一步推进 AI 对物理世界的建模与仿真。

一出手就是三大王炸,这三款大模型全都迈进了世界第一梯队,跑分成绩尤为亮眼。

其中,SkyReels V4 在 Artificial Analysis 基准测试中分别夺得「带音频文生视频」和「带音频图生视频」榜单全球第一,以及图生视频(不带音频)榜单全球第二(截至 2026 年 3 月 18 日评测结果)。

文章配图

在与 Suno V5、前代 Mureka V8 的较量中,Mureka V9 在音乐旋律性、音乐表现力、编配编曲等主观指标上全面胜出。

文章配图

  • Matrix-Game3.0 主页:https://matrix-game-v3.github.io/
  • SkyReels V4 官网:https://www.skyreels.ai/
  • Mureka V9 官网:https://www.mureka.cn/

在三大新模型集中亮相之外,昆仑万维对外公布了其2026 AGI 战略,为完成「实现通用人工智能,让每个人更好地塑造和表达自我」的使命给出了更清晰的路径指引,并释放出了一个明确的信号:未来三年,AI 发展将从全模态能力突破进入到平台化构建阶段。

文章配图

天工 AI 董事长兼 CEO 周亚辉

在昆仑万维的战略设想中,在底层全模态基础模型与中间层超级智能体之外,还要向上拓展应用层,探索更丰富的产品形态,包括面向内容消费与生产的短剧平台DramaWave、面向音乐创作与分发的平台Mureka以及面向互动娱乐的游戏世界猫森学园。

当这三层实现协同运转,AI 的形态也随之发生变化:不再是一个个孤立的模型或工具,而是一个可以持续运转的系统。

文章配图

随着这套体系慢慢跑起来,AI 原生的平台经济将开始走向落地。届时,每一个创作者将拥有匹敌一家公司的全栈生产力。

记得住、跑得久、跑得快

世界模型补齐关键短板

自去年 5 月开源 Matrix-Game 系列 1.0 版本以来,昆仑万维对交互式世界模型的探索一直没有停歇。之后 8 月继续开源 Matrix-Game 2.0,其被打造成为了业界首个实时长序列交互式世界模型,在键盘按键的控制下可以做到分钟级的实时互动。

此次,Matrix-Game 3.0 补齐了世界模型存在的三大短板:记不住(记忆)、跑不久(长时程)和跑不动(实时 + 分辨率)。其核心价值在于对这些短板进行解构,贯通数据、记忆与实时生成三大环节,推动系统从生成片段迈向运行世界。

文章配图

首先数据层面,构建可无限扩展的世界模型数据引擎。Matrix-Game 3.0 在数据形态、生产方式和工程层面均给出了创新性解法。

数据形态上,补上过去互联网数据缺失的关键一环,从传统的纯视频升级为同时包含视频、位姿、动作乃至提示词的多模态对齐数据;生产方式上,采用 Unreal Engine 合成数据 + 真实 3A 游戏采集的双管线体系;工程上,从探索、采集到标注与质检全流程自动化运行。

一套流程走下来,世界模型不再受限于数据获取,而开始拥有一台可以不断产出「世界」的数据引擎。

其次模型架构层面,在算力效率与记忆能力之间建立起了一套协同机制,同时实现 720p 实时生成与分钟级长时序稳定演化这两个目标。

为此,Matrix-Game 3.0 在训练阶段重构视频生成范式之外,着力解决了「控制信号注入」和「长时序抗漂移」两个关键问题。

文章配图

整体架构概览

在控制层面将用户动作显式引入模型,其中鼠标信号通过 Self-Attention 直接作用于当前视觉生成,保证即时交互准确响应;键盘动作则通过 Cross-Attention 注入,负责引导整体运动趋势,使模型在长序列中依然保持稳定的行为方向。两者协同,实现高质量与控制性的统一。

在长时序稳定性层面引入 Error Buffer 机制,显式建模生成帧与真实帧之间的误差,并作为条件回注模型;同时通过对历史帧进行误差扰动训练,让模型在训练阶段就习惯偏差,在推理时具备抗误差累积能力,避免随时间推移出现结构漂移与内容崩坏。

这套机制让模型不只是完成生成任务,更能在持续演化过程中保持一致性与可控性,真正具备了长时间稳定运行的能力。

文章配图

Memory 注入

在记忆层面通过一个统一的 DiT 框架,将长期记忆、局部历史帧以及当前预测目标进行联合建模,从而在保证生成连续性的同时,实现跨时间的信息利用。

文章配图

长时序一致性蒸馏

最后推理部署层面,让高分辨率下的实时运行成为可能。

Matrix-Game 3.0 采用具备长期记忆能力、且能够抵抗误差累积的基础模型作为教师模型进行蒸馏,并利用「上一段输出作为下一段输入」的多段式联合训练,强化模型长时序连续推理能力,使其在生成过程中能够保持记忆与稳定性。同时结合模型量化与 VAE decoder 蒸馏等优化手段,将模型压缩至约 5B 规模,并在 720p 分辨率下实现实时生成。

不仅如此,随着模型规模继续扩展,Matrix-Game 3.0 依然可以实现真实场景泛化、第一 / 第三人称多视角一致性与长时序稳定运行,其中MoE-28B 模型已将生成时长推进至分钟级。

文章配图

文章配图

1 分钟游戏画面生成

与前代一样,昆仑万维已经开放了 Matrix-Game 3.0 的代码与模型权重:

  • GitHub 地址:https://github.com/SkyworkAI/Matrix-Game/tree/main/Matrix-Game-3
  • Hugging Face 地址:https://huggingface.co/Skywork/Matrix-Game-3.0

告别音画拼接

AI 视频走向原生一体生成

其实,昆仑万维的视频大模型在前段时间已经在社区引发了热议。在 Artificial Analysis 文生视频(带音频) 赛道击败 Sora 2、Veo 3.1 之后,SkyReels V4 的能力得到了社区的高度认可。

文章配图

作为 SkyReels 系列的最新版本,SkyReels V4 在 V1(短剧创作)、V2(无限时长电影生成)和 V3(多模态视频生成)的基础上,进化为「全模态音视频联合生成、修复与编辑」的大一统模型。从此,AI 视频不只是简单地生成一段画面,而是像人类一样具备基本的叙事能力。

这一变化的背后,离不开 SkyReels V4 在底层架构、全模态控制、强化学习范式、效率优化等多个层面的系统性升级。

首先也是最关键的变化:其从底层架构重写音视频生成方式,采用原生音画一体的双流 MMDiT 架构,替代「先画面、后音频」的串行方式,将音视频在同一语义空间中联合建模。

为此,模型采用对称双分支设计,音频与视频共享同一文本编码器,在统一语义空间中完成理解与生成,最终实现口型、动作与声音的精确对应。同时,引入额外的文本控制以增强视频语义稳定性,并通过联合训练让音视频在生成阶段就保持协同,而不是依赖后期对齐。

AI 视频的生产方式,从多模态拼接走向原生一体生成。

文章配图

其次,SkyReels V4实现了生成、编辑与修复的大一统,使视频创作具备更细粒度的调度能力。

能力上支持首尾帧、多帧、多图、运动等参考方式,覆盖从生成到精细编辑的全流程需求,包括元素增删、风格迁移与水印处理。同时能够基于网格图直接生成结构完整的叙事片段,从源头解决角色走形与场景跳跃问题。机制上将生成、编辑与修复收敛为同一套掩码补绘框架;同时引入参考图像 / 视频作为上下文,使角色特征与场景风格可以被稳定锁定,在跨帧中持续保持一致。

接下来,SkyReels V4结合使用强化学习体系与工程优化策略来增质提效。

为了使视频内容兼具逻辑连贯性、物理合理性与美学质感,引入全模态语义 Reward 体系,对生成结果进行实时校正,减少逻辑偏差与物理错误;同时采用阶梯式课程学习,从低分辨率、短时长任务过渡到高复杂度生成,逐步建立稳定的叙事能力与表达能力。

为了降低计算开销,采用「低分辨率全序列 + 高分辨率关键帧」的联合生成策略,再结合超分与帧插值来恢复画质,保证整体一致性的同时降低计算压力。同时引入 VSA 稀疏注意力,最终将计算成本降低约 3 倍,实现 1080P 分辨率、32FPS 帧率、15 秒时长的影院级内容生成。

SkyReels V4 的一整套方案,不以成本为代价换取画质,而是在两者之间建立平衡,使高质量视频生成具备了规模化生产的可行性。

当然,数据层面的重构也是这套体系高效运作的关键。SkyReels-V4 构建了一套覆盖图像、视频、音频的统一数据体系,通过「真实 + 合成」双管线保证数据规模,配合多维质控与结构化 caption,对齐音画与语义表达,为全模态生成提供稳定的数据基础。

我们来看下实战效果,提示词是这样的:「电影级赛博朋克风视频:动态跟拍一艘深色流线型飞船(@ ship-1)在未来都市中高速飞行。镜头始终位于飞船后方,蓝色尾焰明亮,穿梭于高楼峡谷之间。城市充满红白蓝霓虹与雾霭背景,冷色调与高反差光影营造氛围。摄像机随飞船滚转倾斜,光粒与光流增强速度感。一镜到底,沉浸式高速飞行体验。」

文章配图

从生成到创作

让好听变成一种可控能力

自两年前问世以来,昆仑万维的音乐大模型一再地带给我们惊喜。

几天前,Mureka V8 在 Artificial Analysis 的 vocals(人声)和 instrumental(乐器)榜单上双双登顶,综合实力超越了 Suno V4.5、Udio v1.5 Allegro、Lyria 2 等国际主流 AI 音乐模型。

文章配图

这也让人更加期待,下一代 Mureka 会以怎样的方式改写音乐生成的边界。刚刚亮相的 Mureka V9,果然没有让人失望。

文章配图

此次,Mureka V9 围绕音乐创作过程中最关键、最影响结果的几大环节进行全方位优化:

  • 表达更到位:歌词、情绪与段落推进能够更精准地对齐,想表达的点基本能落到该落的位置。
  • 成品感更强:混音、音色与空间感更统一,整体听感更接近一首完成度较高的作品。
  • 人声更克制:该唱的时候唱到位,不该出现时不过度介入,表达更干净。
  • 反馈更快:从输入到出结果,链路更顺畅,试错和迭代成本明显降低。
  • 结果不易撞车:旋律与编排的重复感下降,同一方向下也能跑出更多变化。

这些能力的提升建立在MusiCoT(Music Chain-of-Thought)技术底座的持续优化之上:

模型不再停留在根据提示词生成声音,而是以更接近真实创作流程的方式去组织一段音乐:理解段落结构、把握表达重点,并决定每一段该唱什么、怎么唱、如何推进。

这样一来,生成结果更少地偏离创作者原本的想法,表达更贴近预期,也更稳定。基于此,音乐也不再只是用来听的内容,而开始变成一种拿来表达自我的语言。

我们来听下面这段旋律,提示词为「新灵魂 / 私密爵士人声作品。灵感:日落阁楼工作室,暖光中浮尘轻扬。核心:气声近距离男声 + 温暖 Rhodes 钢琴。氛围:安静、怀旧、时光静止 —— 复古阁楼里,金色阳光缓缓透过百叶窗褪去。」

在音乐生成能力继续进化之外,Mureka V9 进一步的目标,是想把「好听」从偶发结果变成一件可以稳定做出来的事情。

实现方法也很直接,把「好听」拆解开,从歌词落点、情绪是否贴合,到结构与旋律是否顺畅,一步步去校准和优化,让整套创作过程变得可复用、可积累,而不是每次都从头碰运气。从长期来看,这一点比单次生成质量更加关键。

当「好听」可以被拆解和控制之后,创作方式也随之发生根本性变化:AI 音乐不再是一次性生成的结果,而变成一个可以反复尝试、局部调整、持续迭代的过程。

传统的创作逻辑是一次生成就直接定稿,Mureka V9 则不然,先生成多个版本进行探索,再从中筛选,对局部进行调整,然后二次或多次生成与优化。在这个过程中,创作者的主要工作也开始发生变化,将更多时间花在审美与取舍上。

可以说,Mureka V9 已经不满足于只做一个音乐生成工具,而是在往创作平台走。它想做的也不再是一次性的成品,而是一种可以反复修改、持续演化的版本化作品。音乐创作者用它提高效率,优化工作流;普通用户用它表达自我。

或许,一个属于 AI 音乐时代的「Spotify」已经出现,一边连接创作与消费,一边承接内容与分发。

文章配图

「3+1」战略:AGI 路径更加清晰

当我们将天工 AI 的三大模型放在一起看,就会发现,它们不仅分别对应游戏、视频与音乐三个赛道的单点能力升级,也在共同补齐一套更完整的能力结构:

Matrix-Game 3.0 聚焦「世界如何被建模与交互」、SkyReels V4 解决「内容如何被规模化生成」,Mureka V9 关注「情感与表达如何被精准控制」。

在这一框架下,通往 AGI 终极目标所需的能力组合更加清晰。而昆仑万维发布的 2026 AGI 战略,则在这些能力之上给出了路径上的独到思考。

我们可以用「3+1」来描述这一战略的完整布局,其中3 指的是三大场景大模型,即游戏、视频与音乐;1 指的是天工超级智能体:

依托三大场景大模型持续突破多模态能力边界,同时借助天工超级智能体(Skywork Super Agents)对这些 AI 能力进行统一调度。

天工超级智能体于去年 5 月发布,核心能力可以归纳为三点:一是跨任务一体化执行,二是以 Deep Research 为核心的信息处理,三是多 Agent 模块的分工与协作。随着今年 OpenClaw 的爆火,Skywork 推出了 SkyClaw,打造云端 AI 原生助理;同时上线首批 6 大官方 Skills,将能力封装为可直接调用的工具。

基于此,天工超级智能体补上了「能力如何被高效调用」的关键一环,通过将不同能力串联成完整的执行链路,使任务从理解、生成到交付,一气呵成。

文章配图

与此同时,昆仑万维还在围绕「平台 + 超级智能体 + 开发者 + 创作者」,搭建一套更加开放的生态协同体系。

一方面,将多模态能力以统一入口对外开放,降低门槛,使开发者与创作者能够更直接地调用这些能力进行开发与创作;另一方面,通过与产业伙伴的合作,将 AI 能力落地到游戏、视频与音乐等具体场景中,逐步完成从技术到应用的转化。

当能力、调度与场景形成闭环,AGI 的未来才更加可期。

文章来自于微信公众号 "机器之心",作者 "机器之心"

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)