知识卡片：京东开源视听世界模型 EchoWM，支持自由探索

一句话结论

腾讯研究院 AI 速递 20260911 报道，京东探索研究院在 JDD 大会发布并开源 JoyAI-EchoWM（EchoWM），其卖点是在同一框架内生成视频与环境音、音乐、语音，并实时响应用户操作；在 158 个 WBench Navigation 案例中取得 81.7 的最高平均分，但尚无显式持久三维记忆，长时生成仍可能漂移。

事件概述或研究问题

• 事件：京东探索研究院在 JDD 大会发布并开源 JoyAI-EchoWM。
• 报道定位：支持自由探索的视听世界模型；可在同一框架内生成视频与环境音、音乐、语音，并实时响应用户操作。
• 材料未给出正式研究问题。从报道看，重点包括视听同步生成、统一交互控制，以及在导航类任务中的评测表现。

方法/产品要点

• 模型名称：JoyAI-EchoWM，报道标题称 EchoWM。
• 发布方式：发布并开源；开源许可证、代码/权重地址、模型规模等待核实。
• 生成能力：同一框架生成视频、环境音、音乐与语音；实时响应用户操作。
• 控制接口：采用统一“相机意图”表示；把键盘操作映射为连续 6-DoF 轨迹；第一人称与第三人称视角共用一套控制接口。
• 评测：在 158 个 WBench Navigation 案例中，取得 81.7 的最高平均分；一致性 89.8，交互性 87.2。
• 已知限制：尚无显式持久三维记忆，长时生成仍可能漂移。

主要结果或产业意义

• 关键结果：WBench Navigation 158 案例最高平均分 81.7，一致性 89.8，交互性 87.2。
• 产业意义：若材料所述能力可复现，视听一体化生成加实时交互控制，意味着世界模型正从单模态视频生成走向可操作、可探索的多模态仿真形态；开源发布可能降低研究者和开发者复现、改造与原型验证的门槛。
• 竞争意义：国内大厂在世界模型方向的开源动作增加，京东探索研究院以视听交互和导航评测切入，具体行业落地场景材料未说明，待核实。

为什么重要

• 世界模型的关键不只是“生成得像”，还包括能否实时响应操作、维持视听一致性，并支持第一/第三人称等不同探索视角。EchoWM 的“相机意图”与 6-DoF 控制接口是这类交互设计的具体案例。
• 在 WBench Navigation 上的高分与一致性、交互性指标，提供了观察世界模型评测维度的入口；但排行榜、基线和评测设置需回到原始材料核实。
• 与已有卡片脉络的关系：已有卡片多聚焦 AI 基础设施、治理与研究趋势；本条增量是具体国内大厂开源视听世界模型的发布、控制接口设计与 WBench Navigation 评测结果。

局限与不确定性

• 来源为腾讯研究院 AI 速递的二手摘要，非京东官方技术报告；官方发布页、论文、模型卡、代码仓库与许可证均待核实。
• 模型参数规模、训练数据、训练算力、推理延迟、实时运行硬件条件、音频生成质量与控制能力，材料未提供。
• WBench Navigation 的评测构成、对比基线、统计口径、“最高平均分”的排行榜范围与时间点，待核实。
• “一致性 89.8、交互性 87.2”的具体定义与计算方式待核实。
• 无显式持久三维记忆，长时生成可能漂移；这对需要长时间一致性的仿真、游戏或具身智能应用可能构成限制。

可用于图书/PPT/简报的角度

• 世界模型趋势：从视频生成到视听多模态、可交互、可自由探索。
• 交互接口设计：统一“相机意图”、键盘到连续 6-DoF 轨迹、第一/第三人称共用控制。
• 开源策略：大厂开源世界模型对研究社区与产业原型的影响。
• 评测框架：WBench Navigation、一致性、交互性指标如何衡量世界模型。
• 核心矛盾：实时交互与长时一致性/持久记忆之间的张力。
• 产业动态：京东探索研究院在 JDD 大会的发布可作为国内世界模型竞争案例。

原始材料

• 来源：腾讯研究院AI速递 20260911
• URL：https://m.sohu.com/a/1074463759_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=2
• Parent digest：腾讯研究院AI速递 20260911
• Parent URL：https://m.sohu.com/a/1074463759_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• 相关条目：二、京东开源视听世界模型EchoWM，支持自由探索
• 英文标题/模型名：JoyAI-EchoWM（EchoWM）
• 英文关键词：JoyAI-EchoWM, EchoWM, JDD, WBench Navigation, 6-DoF