XGEN-JING：基于 MiniMax H3 的第一人称交互模型

XGEN Labs 发布了 XGEN-JING，这是一个基于 MiniMax H3 构建的自我中心（第一人称）交互体验模型。普通视频模型生成的是固定片段，而 JING 接收操作、引用图像和观测历史，并生成第一人称视频与音频：你移动、与物体交互，还能进行对话。

模型仓库中的官方 XGEN-JING 封面。

它能做什么

该模型针对三种行为进行训练，全部以视频加音频的形式联合生成：

• 相机控制。 通过键盘输入在日常生活场景与想象世界中移动，从同一起点出发，以不同走法探索。
• 交互与对话。 用文本而非运动提示词来指挥物体交互和角色对话。
• 引用条件。 用取自某个故事的角色、物体和场景图像来组合一段体验，因此同一组引用可以在不同操作下被探索。

JING Flash 构建在 MiniMax H3 的 Ref2VA 路径以及 FlashGen（4 步 H3 LoRA）之上，正是它让四步双向推理成为可能。文本编码器、tokenizer、processor、视频与音频 VAE 以及调度器均来自 diffusers 格式的 MiniMax H3，并不属于本次发布的一部分，因此只有 jing_flash_v1 transformer 是全新的。

发布状态

这是一个预览级发布，发布计划对此说得很明确：

这一区别对于理解此处“交互”的含义很重要。四步双向模型在操作序列预先已知的情况下生成整个片段；而因果模型会随着你按键逐步响应，目前尚未推出。XGEN Labs 随权重一起发布了图库和演示视频。

仓库中还包含一份提示词技巧文档，可根据故事和引用图像生成经过验证的推理案例。

获取方式

官方 XGEN-JING 演示视频。

• 权重：XGENlabs/XGEN-JING（jing_flash_v1，外加封面与演示资产）
• 代码：XGEN-Labs/XGEN-JING
• 项目页面：xgenlabs.ai/research.html
• 图库：xgenlabs.ai/gallery.html

目前不支持 ComfyUI：其推理路径是 diffusers 加上固定到特定 diffusion 修订版本的 SGLang 运行时，而且经过验证的演示配置将整套技术栈分布在六块 H100 GPU 上（一块用于文本编码器，一块用于视频与音频 VAE，四块用于带序列并行的 DiT），默认注意力后端为 FlashAttention-4。在因果模型和更轻量的推理路径到来之前，这更像是展示基于 H3 的交互模型将走向何方，而不是能在本地 ComfyUI 机器上直接运行的东西。

关于同一底座上更早的交互式世界模型，请参见 H3-World。