LemonSlice 发布 CWM-1：把角色、动作与情绪放进可实时生成的世界模型

9 月 23 日，LemonSlice 官方研究页发布 Character World Model-1（CWM-1）。它不是只生成头像表情的模型，而是端到端生成角色全身、手部动作和周围场景的因果视频扩散 Transformer；输入是音频与提示，输出是一段可以持续下去的互动画面。

CWM-1 的关键改动在模型结构与推理方式。官方称它把视频 DiT 蒸馏为单步扩散，并结合稀疏注意力，使新帧生成速度快于播放速度；遇到用户打断或提问时，官方给出的响应视频生成延迟为 471ms。模型还加入情绪引擎，让动作和情绪由角色状态、音频与用户输入共同决定，而不是只控制台词。

它改变了什么：互动数字人的瓶颈不再只是把一张脸做逼真，而是让画面、动作与对话状态形成可持续的闭环。边界是数字：471ms、连续 8–16 小时无明显误差累积等说法均来自 LemonSlice 自己的官方说明，外部复现仍不足。

原文链接：LemonSlice 官方研究页