字节跳动正在开发一种实时空间视频生成模型，由创始人张一鸣亲自监督，可能最早于2026年10月发布，正式加入与谷歌DeepMind的Genie和Meta之间的“世界模型”竞赛。

据称在张一鸣直接监督下的模型基于字节跳动现有的Seedance视频系统，并设定了一个具体的技术门槛：约每秒20帧、延迟约50毫秒 ^[1]。这个数字比表面看起来更重要——它足够快，能让观众的声音或动作在场景展开过程中实时重塑画面，而非等待预渲染的视频片段。关键的是，渲染发生在云端，而非设备端 ^[1]。彭博社的消息来源称，发布窗口最早可能在2026年10月，即下个月，张一鸣本人亲自监督该项目的开发 ^[2]。两个明确的受益方揭示了其真正的商业逻辑：字节跳动的VR头显产品线Pico可以推出更便宜的硬件，因为繁重的计算任务已转移至服务器；而抖音则获得了一款新的创作者工具——无需拥有图形工作站即可制作直播、短剧和游戏 ^[1]。这不仅仅是一个研究性演示，而是计划将世界模型技术直接整合进字节跳动现有的两款产品中。

截至2026年，世界模型已成为字节跳动内部AI训练数据预算最高的模型方向——据报道达数千万元人民币，是同类竞争对手在相同问题上投入的3至4倍 ^[3]。这一巨额投入是对一个明确承认的差距的回应：截至2026年初，字节跳动的世界模型性能仍落后于全球顶尖水平约10%，这一差距是通过与谷歌DeepMind于2025年8月发布的Genie 3对比得出的 ^[4]。公司内部设定的目标是，到2026年底至少发布一个版本，性能达到与Genie 3持平 ^[3]。在组织架构上，字节跳动Seed团队将工作拆分为两条并行轨道，而非一个统一团队：由周畅负责的视觉-语言-行动（VLA）轨道，专注于具身智能和机器人技术；另一条由范浩奇（前Meta FAIR研究员）领导的3D仿真轨道，专注于游戏和娱乐 ^[3]。其机器人领域的野心已在其他方面显现——字节跳动已在中国单独投资人形机器人开发，这与VLA轨道的既定目标一致 ^[5]。在X平台上流传的独立AI行业评论也证实了10月发布窗口，并明确将这场竞赛定义为与谷歌Genie的竞争，指出Genie目前仍处于封闭测试阶段——这一细节与字节跳动试图在对手发布下一个公开基准前缩小差距的策略吻合。

关于此事为何在中国以外地区引发关注，最尖锐的解读来自一段未具名的市场评论：云端渲染的世界模型并不会在画质上超越Vision Pro级别的头显，但它把画质问题变成了别人的问题 ^[1]。这种说法准确捕捉到了对Meta和苹果的真实威胁——并非字节跳动在渲染能力上超越了它们的头显，而是它可能让专用的、昂贵的头显硬件在大量应用场景中显得不再必要。字节跳动在这场赌局中的筹码也相当可观：据报道，公司已获得300亿美元贷款，并正在考虑高达700亿美元的AI资本支出，这是此次模型推进背后的更广泛资本支出背景 ^[1]。如果字节跳动能通过将渲染转移至云端，利用更便宜的硬件提供交互性强、低延迟的空间世界，那么竞争将被重新定义为围绕软件和云经济的较量，而非硬件画质——这是一场Meta和苹果此前从未真正面对过的竞争。

两项来自字节跳动关联研究的技术基础（独立于彭博社报道的旗舰模型）表明，该能力并非从零开始。其一是Helios，一种基于WAN-video自回归架构的实时长视频生成模型，以33帧为单位生成，可在消费级GPU上本地运行，其权衡在于牺牲分辨率以换取实时速度，而非追求照片级真实感。另一项是为多模态模型中的空间智能提出的四层层次结构——感知、心理映射、心理模拟和空间智能体——将物理空间中的行动作为最终目标，这与字节跳动VLA轨道的机器人野心直接相关。这两项技术均未被确认属于张一鸣领导的项目，但都表明字节跳动在该领域已有活跃且公开的研究。然而，这种势头也伴随着风险先例：字节跳动相关的Seedance 2.0视频模型已因未经授权使用角色和名人形象，遭到迪士尼、美国电影协会（MPA）、Netflix、派拉蒙、索尼和环球等公司的版权投诉，迫使公司增加防护措施 ^[6]。一款更具交互性、更逼真的空间视频产品将将在更高风险下引发同样的肖像权和知识产权问题。