Viggle JST-2：单模型生成3D场景、角色与动作

Viggle 在 Product Hunt 上发布了 JST-2，一个号称“物理原生”的世界基础模型，试图用同一个模型统一生成 3D 场景、角色和全身动作。这个定位本身值得拆开看：过去这三件事通常由不同的管线拼装，而 JST-2 的核心主张是把它们放进一个共享的世界里。

一个模型，三种输出

根据官方描述，JST-2 能做的事情可以拆成三块。场景生成大约需要一秒；角色可以来自一张图片或一段文字，并且动作是内建的；动作本身则可以从文字或视频驱动。

这种“一份输入、多份产出”的结构，指向的是一种更接近世界模型的思路——不是分别渲染场景和角色，而是在同一个空间里同时确定它们的关系。官方把 JST-2 称为“物理原生”的基础模型，强调的正是这种共享世界的一致性。

“世界模型”（World Model）是一个常与 3D 生成混淆但目标不同的概念：它通常指模型在内部建立对环境状态及其演化规律的表示，能够预测“如果执行某个动作，世界会变成什么样”，而不只是渲染一帧画面。在视频生成、机器人控制和具身智能领域，世界模型被用来支撑规划与决策。JST-2 把场景、角色、动作放进同一表示空间，接近这一思路的生成侧应用，但它是否具备可交互的状态预测与反事实推演能力，官方描述并未明确。理解这一区别，有助于判断“世界基础模型”是能力描述还是定位修辞。

上手方式：浏览器、API 与 MCP

JST-2 提供了几条使用路径。最轻量的是在 PINOC 浏览器应用里免费试用，适合快速验证效果。面向开发者的是 API；此外还支持 MCP，可以接入 Claude Code 这类 agent 工作流。

MCP 的支持是一个容易被忽略但很实际的信号：它意味着 JST-2 不只是给人生成内容，也打算被 agent 调用，成为自动化管线里的一个生成节点。对于做 AI 应用和 AI 编程的团队，这条路径的想象空间比纯浏览器试用更大。

MCP（Model Context Protocol）是 Anthropic 于 2024 年底提出的一种开放协议，用于让大模型应用以统一方式连接外部工具与数据源。它把“工具”抽象为可被 agent 动态发现的 server，客户端（如 Claude Code、Claude Desktop 或第三方 IDE）通过标准接口调用，从而避免为每个模型和工具写定制胶水代码。对生成类服务而言，支持 MCP 意味着它可以被 agent 在任务编排中自动选中并调用，而不必依赖人工在网页上操作。这也解释了为何文章中把 MCP 接入视为比免费试用更值得关注的信号：它把 JST-2 放进了自动化内容生产管线的候选清单。

基准测试的边界

官方注明，相关基准测试是 Viggle 自己做的盲测人工评估。这一点需要如实看待：盲测人工评估在生成质量这类主观指标上有其合理性，但由厂商自行组织，缺少第三方复现，结论的普适性要打折扣。

换句话说，JST-2 展示的能力方向是清晰的，但“到底比同类好多少”这个问题，目前只能参考厂商口径。

盲测人工评估（blind human evaluation）是生成式 AI 评测中的常见方法：评估者不知道样本来自哪个模型，只对质量、一致性等维度打分，以降低品牌偏见。但这类评估的可信度高度依赖评估者招募、样本数量、评分量表设计和统计显著性检验，而这些细节往往不公开。厂商自测还面临选择性展示的风险——测试集、提示词和对比基线都可能经过有利于己方的挑选。因此，在没有第三方复现或公开基准（如标准 3D 场景数据集上的定量指标）之前，厂商口径更适合作为方向性参考，而非横向排名依据。

值得关注的地方

把场景、角色和动作收敛到一个模型里，真正的难点不在于单点生成质量，而在于三者之间的一致性——角色放进场景后比例是否合理、动作是否符合场景的物理约束。JST-2 用“共享世界”来描述这一点，方向是对的，实际表现仍需更多独立测试来验证。

对于关注 3D 内容生成、AI 应用落地的团队，JST-2 的 API 和 MCP 接入方式比免费试用更值得跟进。