Kunlun Wanwei Fang Han präsentierte auf der WAIC drei Branchenprognosen: Weltmodelle werden aus den Bildschirmen heraustreten, und die Spiele- und Musikindustrie wird einen "Paradigmenwechsel" erleben.

Am 19. Juli 2026, während der Welt-KI-Konferenz (WAIC) 2026, veranstaltete Kunlun Wanwei das spezielle Forum „Weltmodell und der Paradigmenwechsel multimodaler Systeme“ im Westbund Internationalen Ausstellungszentrum in Shanghai. Als führendes Unternehmen im Bereich der KI-Technologie kündigte Kunlun Wanwei auf dem Forum eine umfassende Aktualisierung seiner Kernmodelle an – das Matrix-Game 3.5-Weltmodell, die Musikmodelle Mureka v9.5 und O3, die die Spitzenbereiche wie Weltmodell und AIGC-Erstellung vollständig abdecken. Fang Han, Vorsitzender und CEO von Kunlun Wanwei, erklärte auf dem Forum: 2026 ist das „Jahr Null des Weltmodells“, was einen entscheidenden Wendepunkt markiert, an dem die KI von der Inhaltserzeugung zum Verständnis und zur Interaktion mit der physischen Welt übergeht.

Die diesjährige WAIC erreicht ein nie dagewesenes Niveau. Der Staatspräsident Xi Jinping nahm an der Eröffnungszeremonie der Konferenz teil und hielt eine Grundsatzrede. Dies ist das erste Mal seit der Gründung der WAIC, dass ein Spitzenpolitiker der höchsten Ebene an der Veranstaltung teilnimmt. Die Konferenz wird gemeinsam von mehr als zehn Ministerien und Behörden wie dem Außenministerium, der Nationalen Entwicklungs- und Reformkommission, dem Ministerium für Industrie und Informationstechnologie sowie der Stadtregierung von Shanghai veranstaltet. Die Gesamtfläche der Ausstellung überschritt erstmals 100.000 Quadratmeter, mehr als 1.100 Unternehmen nahmen teil, über 3.000 Exponate wurden vorgestellt, und mehr als 300 Produkte wurden weltweit erstmals vorgestellt. Die beiden Kernbereiche intelligente Rechenleistung und körperliche Intelligenz zogen jeweils über 200 Unternehmen an. Mehr als 140 Foren wurden nacheinander veranstaltet, und 9 Preisträger des Turing-Preises und des Nobelpreises kamen, um ihre Erkenntnisse zu teilen. Dies ist eine wahrhaft nationale und international erstklassige KI-Veranstaltung.

Fang Han: 2026 ist das „Jahr Null des Weltmodells“, drei industrielle Prognosen bestimmen die zukünftige Richtung

Im Rahmen der Grundsatzrede des Forums kündigte Fang Han, Vorsitzender und CEO von Kunlun Wanwei, offiziell an, dass 2026 das „Jahr Null des Weltmodells“ ist. Er wies darauf hin, dass das Kernthema der KI-Industrie in den letzten zwei Jahren das „Generieren“ war – das Generieren von Texten, Bildern, Videos und Musik. Ab 2026 wird sich das Kernthema der KI jedoch auf „Verstehen“ und „Interaktion“ verlagern – die KI soll die Betriebsgesetze der physischen Welt wirklich verstehen und in der Lage sein, eine geschlossene Interaktion mit der realen Umgebung durchzuführen. Das Weltmodell ist genau die technische Grundlagen, die diesen Sprung ermöglicht.

Fang Han, Vorsitzender und CEO von Kunlun Wanwei

Fang Han erläuterte in seiner Rede systematisch drei industrielle Prognosen:

Erstens: Das Weltmodell wird den Bildschirm verlassen und in die physische Welt eintreten. Wir haben erkannt, dass die körperliche Intelligenz vom Labor in die reale Umgebung übergeht. Dieser Trend erfordert, dass Roboter vor dem Handeln Umgebungsableitungen durchführen – die Folgen von Handlungen vorhersagen, Umgebungsveränderungen bewerten und Strategien zeitnah anpassen. Durch den Durchbruch dieser Fähigkeit wird sich der Wettbewerbsfokus von einzelnen Aufgaben auf die Fähigkeit generischer Modelle in unbekannten Umgebungen verlagern. Wer ein Modell trainieren kann, das auch in komplexen Szenarien „versteht und richtig handelt“, erhält die Eintrittskarte für das Zeitalter der physischen Intelligenz – dies ist auch die grundlegende Fähigkeit, die Chinas intelligente Fertigungs- und Roboterindustrie dringend benötigt.

Zweitens: Die Spieleindustrie wird als Erste durch das Weltmodell verändert. Open-World-Spiele hängen nicht mehr von dem manuellen Aufbau durch ein hundertköpfiges Team über mehrere Jahre ab. Matrix-Game 3.5 lässt die virtuelle Welt in Echtzeit mit den Handlungen der Spieler wachsen und sich ständig weiterentwickeln. In den nächsten drei bis fünf Jahren wird das Weltmodell zur Infrastruktur der Spieleindustrie, die die Art der Inhaltsproduktion vollständig neu gestalten wird – und chinesische Modelle haben in diesem Bereich bereits die weltweite Führung übernommen.

Drittens: Tools wie KI-Musik und KI-Videos werden von technischen Experimenten zu Werkzeugen für die Massenproduktion, die die tiefgreifende Entwicklung von AIGC fördern. Mureka, eines der stärksten Musikgenerierungsmodelle in China und weltweit unter den ersten beiden, hat als Erste den „typischen KI-Geschmack“ beseitigt, sodass gewöhnliche Menschen vage Inspirationen in emotional und warmherzige Werke umwandeln können. Dies ersetzt keine Musiker, sondern senkt die Eintrittsbarrieren für die Erstellung erheblich, sodass die Ausdrucksfähigkeit mehrerer Menschen freigesetzt werden kann – was die kreative Ökologie der Musik und der gesamten AIGC-Industrie grundlegend verändert.

Hinter den drei industriellen Prognosen steht die gleiche Richtung: Die KI soll von der Fähigkeit „etwas zu generieren“ zu „die Welt zu verstehen“ und „handeln zu können“ übergehen. Fang Han erklärte, dass dies nicht nur die Antwort von Kunlun Wanwei ist, sondern auch ein Beispiel dafür, wie Chinas KI von der Forschung und Entwicklung zur industriellen Anwendung übergeht.

Globale Aktualisierung von KI-Modellen löst eine Revolution der vollständigen Modalitäts-Inhaltserzeugung aus

Auf diesem Forum hat Kunlun Wanwei die globale, gewichtige Aktualisierung seiner Kernmodelle abgeschlossen.

2.1 Matrix-Game 3.5: Patch-Level-Gedächtnisinjektion definiert das interaktive Weltmodell neu

Als neueste Iteration der Weltmodellreihe von Kunlun Wanwei bringt Matrix-Game 3.5 auf diesem Forum eine revolutionäre technische Aktualisierung.

Cheng Yu, Chefwissenschaftler von Skywork, stellte auf dem Forum offiziell das Matrix-Game 3.5-Weltmodell vor. Matrix-Game 3.5 konzentriert sich auf die Technologie interaktiver Weltmodelle und realisiert Patch-Level-Gedächtnisinjektion sowie systemweite Leistungsoptimierung. Das 5B-Modell kann bei einer Auflösung von 720p eine Echtzeitgenerierung mit 20 FPS auf einer einzelnen Grafikkarte erreichen und verfügt über eine Gedächtniskapazität von 1 Minute.

Cheng Yu, Chefwissenschaftler von Skywork

Cheng Yu wies darauf hin, dass das Weltmodell der „unendliche Datenmotor“ für körperliche Intelligenz ist. Die herkömmliche Datenerhebung leidet unter hohen Personalkosten, zeitaufwändiger und mühsamer Erfassung auf realen Geräten sowie extrem niedriger Effizienz – sie kann den Anforderungen der Skalierung großer Modelle nicht gerecht werden. Matrix-Game 3.5 baut ein unendliches Datenproduktionssystem auf, das das nächste Generation von Weltmodellen unterstützt, durchbricht traditionelle Engpässe und schafft drei automatisierte Datenproduktionspipelines, die hochwertige Trainingsdaten im Format Video+Pose+Action+Language ausgeben. Derzeit wurden mehr als 5 Millionen hochwertige Videosegmente, über 10.000 effektive Trainingsstunden angesammelt und mehr als 1.200 Spielszenarien abgedeckt.

Auf technischer Ebene teilt Matrix-Game 3.5 die historischen Frames innovativ in Patch Memory mit 3D-Koordinaten auf (mittels Depth+Pose Lift in das Weltkoordinatensystem). Bei der Inferenz werden sichtbare Patches anhand des aktuellen Kamerafrustums abgerufen und neu auf die aktuelle Perspektive projiziert, um ein Mosaic zu bilden, das dann als Memory Token in DiT eingespeist wird – um eine langfristig konsistente Patch-Level-Raumerinnerung zu realisieren. Dieses Design aktualisiert die Frame-Level-FOV-Erinnerung zu einer Patch-Level-FOV-Erinnerung und bietet vier Kernvorteile: Genauere Abfrage der Raumerinnerung und Konsistenz zwischen Frames, stabilere Generierung von Kamerabewegungen, In-Context-Learning, das die dynamische Generierungsfähigkeit des Basismodells maximal beibehält, sowie kontrollierbare Gedächtnisfähigkeit, bei der Benutzer Gedächtnisblöcke frei bearbeiten können.

Darüber hinaus realisiert Matrix-Game 3.5 auf der Ebene der Inferenzbeschleunigung eine vollständige Kette von Optimierungen für die DiT-Inferenz und die VAE-Dekodierung. Durch drei Maßnahmen – „Reduzierung des Modell-Durchsatzes + Optimierung des DiT-Modells + VAE-Pruning“ – erreicht es branchenführende Leistung mit Echtzeit-Inferenz von 20 FPS bei 720p auf einer einzelnen Grafikkarte, sodass hochwertige Weltmodelle wirklich über Echtzeit-Interaktionsfähigkeit verfügen.

Matrix-Game hat von Version 1.0 bis 3.5 stets den Open-Source-Weg verfolgt. Die Version 3.5 kündigt an, dass ihre Kernarchitektur Open Source wird, um globale Entwickler zur gemeinsamen Gestaltung des Ökosystems anzuziehen. Matrix-Game 2.0 war die erste Open-Source-Implementierung im technischen Paradigma von Echtzeit-interaktiven Weltmodellen, und Matrix-Game 3.0 hat das Gedächtnisproblem erstmals systematisch in eine Open-Source-Lösung integriert.

Zuvor hat das Team von Xie Saining, Autor von DiT und Assistenzprofessor an der New York University, auf Basis der Open-Source-Grundlage von Matrix-Game 2.0 das weltweit erste Mehrpersonen-Videoweltmodell Solaris veröffentlicht. Dies bestätigt den Wert dieses Open-Source-Ansatzes als Basismodell durch die praktische Nutzung in der akademischen Welt. Die gemeinsam von NVIDIA und der Zhejiang-Universität veröffentlichte Arbeit Light Interaction wurde auf Basis des Matrix-Game 3.0-Modells entwickelt. Darüber hinaus verwenden internationale Spitzenunternehmen wie NVIDIA mit SANA-WM und Adobe mit RELIC die mit Matrix-Game verbundenen Modelle als Vergleichsreferenz für ihre Weltmodelle.

Open-Source-Adresse von Matrix-Game 3.5

https://github.com/Riemann-Dynamics/Matrix-Game-3.5

2.2. Mureka v9.5 und O3: Das KI-Musikmodell ohne typischen KI-Geschmack lässt die Musik in die Ära der „versionsbasierten Produktion“ eintreten

Die Veröffentlichung der großen Musikmodelle Mureka v9.5&O3 war einer der emotional beeindruckendsten Momente dieses Forums.

Von der Beta-Phase von SkyMusic 1.0 bis zu Mureka v9.5&O3 hat das Musikmodell von Kunlun Wanwei einen Entwicklungspfad durchlaufen – von „funktionsfähigen Werken“ über „kontrollierbare Kreativität“ bis zu „multimodaler Kreativität“. Die Version v9.5 hat erstmals das Motto „Das KI-Musikmodell ohne typischen KI-Geschmack“ ausgerufen – sie verlässt sich nicht mehr auf die Anhäufung von Stimmlagen und komplexe Arrangements, um einen „beeindruckenden“ ersten Eindruck zu erzeugen. Stattdessen verarbeitet sie Arrangements, Stimmen, Emotionen und die Absicht des Prompts in einem echten Musikrahmen auf zurückhaltendere Weise, sodass der musikalische Ausdruck natürlicher und aufrichtiger wird. O3 baut auf der neuen Version V9.5 auf und erweitert den Inferenzprozess von MusiCoT durch Test-Time-Scaling. Es generiert nicht einfach „mehr“ oder „denkt länger“, sondern lässt das Modell während des Generierungsprozesses den aktuellen Ausdruck ständig überprüfen: Ob die lokale Melodie noch dem Ziel des gesamten Liedes dient, ob das Arrangement die Stimme überdeckt, ob die Emotion vorzeitig erschöpft ist und ob die Struktur von der ursprünglichen Absicht abweicht. Der zusätzliche Inferenzraum wird genutzt, um Abweichungen zu prüfen und sich selbst zu korrigieren – sodass das musikalische CoT schrittweise konvergiert, anstatt nach einer einmaligen Entscheidung stur voranzugehen.

Subjektive Bewertung der Lieder

Aus den Bewertungsergebnissen geht hervor, dass V9.5 entlang des MusiCoT-Pfades eine solide Aktualisierung der Grundlage abgeschlossen hat: Melodie, Stimme, Klangqualität und Arrangement wurden umfassend verbessert, und die Genauigkeit der Anweisungen stieg von 6,92 auf 7,62. Es betrachtet nicht mehr „vollständiger und komplexer“ als einzigen Standard, sondern verarbeitet Arrangements, Stimmen, Emotionen und die Absicht des Prompts in einem echten Musikrahmen zurückhaltender – sodass die Lieder natürlicher und aufrichtiger werden. O3 baut auf V9.5 auf und verstärkt durch kontinuierliches Ableiten, Prüfen von Abweichungen und Korrigieren nachfolgender Entscheidungen die Melodieentwicklung, die Arrangementstruktur und das Verständnis von Anweisungen weiter. Dadurch wird die Struktur der Lieder vollständiger, die Emotionen koh