Runway 官宣首个 Interface World Model Solaris：无代码逐帧实时生成可交互界面

8 月 31 日 16:31 UTC（北京时间 9 月 1 日 0:31），Runway 企业认证账号 @runwayml 发布公告，公开 Solaris，官方称这是其首个界面世界模型（Interface World Model）。称它是一种“新的操作系统”：无代码、逐帧、实时生成可交互界面，并开放早期访问申请。

Runway 声称 Solaris 在生成新界面时，结构相似性与信息保持两个指标上超过前沿大语言模型（LLM）；这些均为公司自报口径，未经独立评测。公告附带演示视频，并指向同日发布的。发布后数小时内，推文获 1,800 余次点赞、190 余次转发、160 余条引用和约 28.6 万次观看。

界面不再翻译成代码，整帧画面就是应用

博客的核心论点是“转译损耗”：今天所有软件都要把视觉设计翻译成中间表示（代码）才能运行，行为必须预先定义，交付的软件是“可能交互空间的有损压缩”；转译还牺牲视觉保真度。Solaris 把渲染与交互交给同一个世界模型，去掉中间表示，“整个画面就是界面”。

Runway 列出三项新能力。完全视觉化：在虚拟服装店里，用户以自己一张照片为参照，从衣架上拿起衬衫拖到身上试穿。活的：画面持续渲染而非等待下一次操作，反光随光照变化，物体被拖动时自然响应。开放结局：同一起始帧可以支持完全不同的行为，官方举例一张手的 X 光片，同样的拖拽动作会产生两种不同的响应。

交互不再依赖预设菜单。“重新定义鼠标”是官方给出的机制：点击场景中的猫，之后的点击会把猫的毛色与纹理应用到你所触碰的任何物体上；点击一幅画，你可能会开始用它的风格作画。行为由自然语言提示定义，而不是预先编程。

三个工程关卡：半秒延迟、长程连贯、成本

官方称交互感大约在 0.5 秒延迟处消失，而视频扩散模型生成一段片段需要几秒到几分钟。

Solaris 基于 Gen-4.5 视频生成模型改造，延续 GWM-1 的路线，分三步实现实时：先让模型自回归逐帧生成，每帧只依赖此前帧；再把多步去噪蒸馏到几步；最后让快速模型用自己的输出训练，保证长时间交互中的视觉质量。

架构上推理与渲染分离：一个语言模型理解用户请求、决定当前场景应修改还是切换、定义行为并生成提示；世界模型负责逐帧渲染。用户点击、拖拽、键入都作为下一帧的生成条件。因为模型只看到已经发生的交互，它由此学会动作与视觉结果之间的对应，无需显式编程。

官方还称，让 Solaris 实时化的同一套工作，使其运行成本比标准视频扩散模型低几个数量级，成本曲线仍在改善；视觉质量目标为 720p。

评测：250 人、近 7,500 次两两对比

推文里的性能声称，对应博客中的两层评测。重建基准让包括 Claude Fable 5 在内的前沿多模态语言模型从单张截图重建界面，覆盖 30 个界面样本，用 SSIM（结构相似性）和 DINOv3 特征匹配衡量信息保持。

Runway 的结论是：所有语言模型都会在重建中丢失信息，界面视觉越复杂损失越大，自然图像受影响最严重。

第二层是直接对比。Solaris 与 Claude Opus 5 用代码实现的界面从同一张图片出发，接受相同的交互请求；250 名参与者对 30 个交互示例做出近 7,500 次两两判断。指令遵循上，Solaris 以 61% 对 24% 胜出，13% 判为持平；行为自然度上以 71% 对 21% 胜出，6% 持平。

Runway 指出，自然度差距比指令遵循更说明问题：代码界面能复现被要求的改动，但把交互当作对界面的孤立更新；世界模型理解物体、材质与环境的物理行为，交互在场景内保持连贯。这套评测由 Runway 自己设计执行，用户研究测量的是主观偏好。

从 GWM-1 到 Solaris：Runway 的世界模型路线

Solaris 不是 Runway 第一个世界模型。2025 年 12 月 11 日，Runway ，自称“通用世界模型”：基于 Gen-4.5 的自回归模型，逐帧生成、实时运行，可用相机位姿、机器人指令、音频控制，分为 GWM Worlds、GWM Avatars、GWM Robotics 三个变体，分别面向可探索环境、对话角色和机器人操作。

Solaris 沿用了这条路径，把视频生成机制从物理世界转向界面本身。官方还给出一个训练用途：目前最强的大语言模型在预订酒店、订购杂货等计算机操作（computer use）任务上仍然吃力，因为它们学的是训练时见过的固定布局，换一个酒店网站就失效。Solaris 可以生成不断变化、从未出现过的布局，让智能体（agent）在动态环境中训练。

“魔法”与“过于乐观”：社区的两极反应

发布后数小时，引用推文迅速出现两极评价。Hugging Face 联合创始人 Thomas Wolf 评论称，未来会是“超快的实时扩散模型界面，加上超快的 LLM 预测下一状态”，“我们在可预测性上失去的，会在适应性上以 100 倍拿回来”。Lux Capital 联合创始人兼合伙人 Josh Wolfe 转发称“疯狂。魔法”，并把 Runway 称作“Lux 系公司”。

Runway 工程师 Kamil Sindi 表态：“很快，你看到的每一个像素都将由模型生成。Solaris 是我们迈向那个未来的第一步。”The Agent Company 则写道：“这不是 vibe coding（氛围编程），因为根本没有代码。图像就是应用。”

质疑同样直接。前 DeepMind 成员、曾参与 Project Astra 的 Charlie Deck（现任职 Reflection AI）把 Solaris 比作“应用版的 Genie”，预计它会“和今天其他世界模型一样受短视和金鱼记忆之苦”，但承认“这是一个引人注目的先例”。

曾任职 Google 与 Zynga、参与创建 jQuery UI 的产品工程师 Paul Bakaus 写道：“这很酷，但旁白乐观得离谱。它不会取代对稳定用户界面的需求。这些可爱的演示严重误解了 UI 设计，甚至是在贬低它。”

创意总监 Dara Chaw 则质疑评测设计本身：“Runway 真的拿一个视频模型和一个基于文本的 LLM 做公开调查，比较哪个看起来更好？HTML 对视频？”

官方承认的未解问题：文字、信任与长会话

Runway 在博客中列出了明确限制。稳定可读的文字仍是视频生成最难的问题之一，而界面几乎最依赖文字；官方给出的路径是混合系统，由图像模型在短暂停顿期渲染文字密集的视图，完全实时的文字生成仍是开放挑战。

信任方面，官方写道“一个有说服力的错误答案比没有答案更糟”，目前模型靠用户提供的起始帧锚定场景，用更丰富的已验证上下文做条件生成是活跃研究方向。

长会话的视觉与语义连贯、屏幕阅读器与无障碍 API 的兼容，也都在未完成清单上。Solaris 目前不公开可用，官方称正与关键合作伙伴推进公开发布，仅开放早期访问申请。这套 61% 与 71% 的自报数字能否兑现，要等第一批早期访问用户的实际会话。