编辑｜杜伟

就在 27 日下午，在火热进行中的 2026 中关村论坛上，一家国产头部 AI 厂商引爆了全场！

昆仑万维，这家 2022 年便已「All in AGI 与 AIGC」的实力玩家，亮出了其实现通用人工智能终极目标的最新「武器库」。

作为兼具国家影响力和国际化视野的高规格论坛，一年一度的中关村论坛成为了汇聚国内外产业界、学术界、投资界一线代表的舞台。本届论坛以「科技创新与产业创新深度融合」为主题，吸引了来自 100 多个国家和地区的上千名嘉宾参与。

在会上，昆仑万维旗下天工 AI 重磅发布了全新 AI 游戏世界模型 Matrix-Game 3.0AI 视频大模型 SkyReels V4AI 音乐大模型 Mureka V9，在继续强化 AIGC 理解与生成能力的同时，进一步推进 AI 对物理世界的建模与仿真。

一出手就是三大王炸，这三款大模型全都迈进了世界第一梯队，跑分成绩尤为亮眼。

其中，SkyReels V4 在 Artificial Analysis 基准测试中分别夺得「带音频文生视频」和「带音频图生视频」榜单全球第一，以及图生视频（不带音频）榜单全球第二（截至 2026 年 3 月 18 日评测结果）。

在与 Suno V5、前代 Mureka V8 的较量中，Mureka V9 在音乐旋律性、音乐表现力、编配编曲等主观指标上全面胜出

Matrix-Game3.0 主页：https://matrix-game-v3.github.io/SkyReels V4 官网：https://www.skyreels.ai/Mureka V9 官网：https://www.mureka.cn/

在三大新模型集中亮相之外，昆仑万维对外公布了其2026 AGI 战略，为完成「实现通用人工智能，让每个人更好地塑造和表达自我」的使命给出了更清晰的路径指引，并释放出了一个明确的信号：未来三年，AI 发展将从全模态能力突破进入到平台化构建阶段。

天工 AI 董事长兼 CEO 周亚辉

在昆仑万维的战略设想中，在底层全模态基础模型与中间层超级智能体之外，还要向上拓展应用层，探索更丰富的产品形态，包括面向内容消费与生产的短剧平台DramaWave、面向音乐创作与分发的平台Mureka以及面向互动娱乐的游戏世界猫森学园

当这三层实现协同运转，AI 的形态也随之发生变化：不再是一个个孤立的模型或工具，而是一个可以持续运转的系统。

随着这套体系慢慢跑起来，AI 原生的平台经济将开始走向落地。届时，每一个创作者将拥有匹敌一家公司的全栈生产力。

记得住、跑得久、跑得快

世界模型补齐关键短板

自去年 5 月开源 Matrix-Game 系列 1.0 版本以来，昆仑万维对交互式世界模型的探索一直没有停歇。之后 8 月继续开源 Matrix-Game 2.0，其被打造成为了业界首个实时长序列交互式世界模型，在键盘按键的控制下可以做到分钟级的实时互动。

此次，Matrix-Game 3.0 补齐了世界模型存在的三大短板：记不住（记忆）、跑不久（长时程）和跑不动（实时 + 分辨率）。其核心价值在于对这些短板进行解构，贯通数据、记忆与实时生成三大环节，推动系统从生成片段迈向运行世界。

首先数据层面，构建可无限扩展的世界模型数据引擎。Matrix-Game 3.0 在数据形态、生产方式和工程层面均给出了创新性解法。

数据形态上，补上过去互联网数据缺失的关键一环，从传统的纯视频升级为同时包含视频、位姿、动作乃至提示词的多模态对齐数据；生产方式上，采用 Unreal Engine 合成数据 + 真实 3A 游戏采集的双管线体系；工程上，从探索、采集到标注与质检全流程自动化运行。

一套流程走下来，世界模型不再受限于数据获取，而开始拥有一台可以不断产出「世界」的数据引擎。

其次模型架构层面，在算力效率与记忆能力之间建立起了一套协同机制，同时实现 720p 实时生成与分钟级长时序稳定演化这两个目标

为此，Matrix-Game 3.0 在训练阶段重构视频生成范式之外，着力解决了「控制信号注入」和「长时序抗漂移」两个关键问题。

整体架构概览

控制层面将用户动作显式引入模型，其中鼠标信号通过 Self-Attention 直接作用于当前视觉生成，保证即时交互准确响应；键盘动作则通过 Cross-Attention 注入，负责引导整体运动趋势，使模型在长序列中依然保持稳定的行为方向。两者协同，实现高质量与控制性的统一。

长时序稳定性层面引入 Error Buffer 机制，显式建模生成帧与真实帧之间的误差，并作为条件回注模型；同时通过对历史帧进行误差扰动训练，让模型在训练阶段就习惯偏差，在推理时具备抗误差累积能力，避免随时间推移出现结构漂移与内容崩坏。

这套机制让模型不只是完成生成任务，更能在持续演化过程中保持一致性与可控性，真正具备了长时间稳定运行的能力。

Memory 注入

记忆层面通过一个统一的 DiT 框架，将长期记忆、局部历史帧以及当前预测目标进行联合建模，从而在保证生成连续性的同时，实现跨时间的信息利用。

长时序一致性蒸馏

最后推理部署层面，让高分辨率下的实时运行成为可能

Matrix-Game 3.0 采用具备长期记忆能力、且能够抵抗误差累积的基础模型作为教师模型进行蒸馏，并利用「上一段输出作为下一段输入」的多段式联合训练，强化模型长时序连续推理能力，使其在生成过程中能够保持记忆与稳定性。同时结合模型量化与 VAE decoder 蒸馏等优化手段，将模型压缩至约 5B 规模，并在 720p 分辨率下实现实时生成

不仅如此，随着模型规模继续扩展，Matrix-Game 3.0 依然可以实现真实场景泛化、第一 / 第三人称多视角一致性与长时序稳定运行，其中MoE-28B 模型已将生成时长推进至分钟级

1 分钟游戏画面生成

与前代一样，昆仑万维已经开放了 Matrix-Game 3.0 的代码与模型权重：

GitHub 地址：https://github.com/SkyworkAI/Matrix-Game/tree/main/Matrix-Game-3Hugging Face 地址：https://huggingface.co/Skywork/Matrix-Game-3.0

告别音画拼接

AI 视频走向原生一体生成

其实，昆仑万维的视频大模型在前段时间已经在社区引发了热议。在 Artificial Analysis 文生视频（带音频) 赛道击败 Sora 2、Veo 3.1 之后，SkyReels V4 的能力得到了社区的高度认可。

作为 SkyReels 系列的最新版本，SkyReels V4 在 V1（短剧创作）、V2（无限时长电影生成）和 V3（多模态视频生成）的基础上，进化为「全模态音视频联合生成、修复与编辑」的大一统模型。从此，AI 视频不只是简单地生成一段画面，而是像人类一样具备基本的叙事能力。

这一变化的背后，离不开 SkyReels V4 在底层架构、全模态控制、强化学习范式、效率优化等多个层面的系统性升级。

首先也是最关键的变化：其从底层架构重写音视频生成方式，采用原生音画一体的双流 MMDiT 架构，替代「先画面、后音频」的串行方式，将音视频在同一语义空间中联合建模。

为此，模型采用对称双分支设计，音频与视频共享同一文本编码器，在统一语义空间中完成理解与生成，最终实现口型、动作与声音的精确对应。同时，引入额外的文本控制以增强视频语义稳定性，并通过联合训练让音视频在生成阶段就保持协同，而不是依赖后期对齐。

AI 视频的生产方式，从多模态拼接走向原生一体生成。

其次，SkyReels V4实现了生成、编辑与修复的大一统，使视频创作具备更细粒度的调度能力。

能力上支持首尾帧、多帧、多图、运动等参考方式，覆盖从生成到精细编辑的全流程需求，包括元素增删、风格迁移与水印处理。同时能够基于网格图直接生成结构完整的叙事片段，从源头解决角色走形与场景跳跃问题。机制上将生成、编辑与修复收敛为同一套掩码补绘框架；同时引入参考图像 / 视频作为上下文，使角色特征与场景风格可以被稳定锁定，在跨帧中持续保持一致。

接下来，SkyReels V4结合使用强化学习体系与工程优化策略来增质提效

为了使视频内容兼具逻辑连贯性、物理合理性与美学质感，引入全模态语义 Reward 体系，对生成结果进行实时校正，减少逻辑偏差与物理错误；同时采用阶梯式课程学习，从低分辨率、短时长任务过渡到高复杂度生成，逐步建立稳定的叙事能力与表达能力。

为了降低计算开销，采用「低分辨率全序列 + 高分辨率关键帧」的联合生成策略，再结合超分与帧插值来恢复画质，保证整体一致性的同时降低计算压力。同时引入 VSA 稀疏注意力，最终将计算成本降低约 3 倍，实现 1080P 分辨率、32FPS 帧率、15 秒时长的影院级内容生成

SkyReels V4 的一整套方案，不以成本为代价换取画质，而是在两者之间建立平衡，使高质量视频生成具备了规模化生产的可行性。

当然，数据层面的重构也是这套体系高效运作的关键。SkyReels-V4 构建了一套覆盖图像、视频、音频的统一数据体系，通过「真实 + 合成」双管线保证数据规模，配合多维质控与结构化 caption，对齐音画与语义表达，为全模态生成提供稳定的数据基础。

我们来看下实战效果，提示词是这样的：「电影级赛博朋克风视频：动态跟拍一艘深色流线型飞船（@ ship-1）在未来都市中高速飞行。镜头始终位于飞船后方，蓝色尾焰明亮，穿梭于高楼峡谷之间。城市充满红白蓝霓虹与雾霭背景，冷色调与高反差光影营造氛围。摄像机随飞船滚转倾斜，光粒与光流增强速度感。一镜到底，沉浸式高速飞行体验。」

从生成到创作

让好听变成一种可控能力

自两年前问世以来，昆仑万维的音乐大模型一再地带给我们惊喜。

几天前，Mureka V8 在 Artificial Analysis 的 vocals（人声）和 instrumental（乐器）榜单上双双登顶，综合实力超越了 Suno V4.5、Udio v1.5 Allegro、Lyria 2 等国际主流 AI 音乐模型。

这也让人更加期待，下一代 Mureka 会以怎样的方式改写音乐生成的边界。刚刚亮相的 Mureka V9，果然没有让人失望。

此次，Mureka V9 围绕音乐创作过程中最关键、最影响结果的几大环节进行全方位优化：

表达更到位：歌词、情绪与段落推进能够更精准地对齐，想表达的点基本能落到该落的位置。成品感更强：混音、音色与空间感更统一，整体听感更接近一首完成度较高的作品。人声更克制：该唱的时候唱到位，不该出现时不过度介入，表达更干净。反馈更快：从输入到出结果，链路更顺畅，试错和迭代成本明显降低。结果不易撞车：旋律与编排的重复感下降，同一方向下也能跑出更多变化。

这些能力的提升建立在MusiCoT（Music Chain-of-Thought）技术底座的持续优化之上：

模型不再停留在根据提示词生成声音，而是以更接近真实创作流程的方式去组织一段音乐：理解段落结构、把握表达重点，并决定每一段该唱什么、怎么唱、如何推进。

这样一来，生成结果更少地偏离创作者原本的想法，表达更贴近预期，也更稳定。基于此，音乐也不再只是用来听的内容，而开始变成一种拿来表达自我的语言

我们来听下面这段旋律，提示词为「新灵魂 / 私密爵士人声作品。灵感：日落阁楼工作室，暖光中浮尘轻扬。核心：气声近距离男声 + 温暖 Rhodes 钢琴。氛围：安静、怀旧、时光静止 —— 复古阁楼里，金色阳光缓缓透过百叶窗褪去。」

在音乐生成能力继续进化之外，Mureka V9 进一步的目标，是想把「好听」从偶发结果变成一件可以稳定做出来的事情

实现方法也很直接，把「好听」拆解开，从歌词落点、情绪是否贴合，到结构与旋律是否顺畅，一步步去校准和优化，让整套创作过程变得可复用、可积累，而不是每次都从头碰运气。从长期来看，这一点比单次生成质量更加关键。

当「好听」可以被拆解和控制之后，创作方式也随之发生根本性变化：AI 音乐不再是一次性生成的结果，而变成一个可以反复尝试、局部调整、持续迭代的过程。

传统的创作逻辑是一次生成就直接定稿，Mureka V9 则不然，先生成多个版本进行探索，再从中筛选，对局部进行调整，然后二次或多次生成与优化。在这个过程中，创作者的主要工作也开始发生变化，将更多时间花在审美与取舍上。

可以说，Mureka V9 已经不满足于只做一个音乐生成工具，而是在往创作平台走。它想做的也不再是一次性的成品，而是一种可以反复修改、持续演化的版本化作品。音乐创作者用它提高效率，优化工作流；普通用户用它表达自我。

或许，一个属于 AI 音乐时代的「Spotify」已经出现，一边连接创作与消费，一边承接内容与分发。

「3+1」战略：AGI 路径更加清晰

当我们将天工 AI 的三大模型放在一起看，就会发现，它们不仅分别对应游戏、视频与音乐三个赛道的单点能力升级，也在共同补齐一套更完整的能力结构：

Matrix-Game 3.0 聚焦「世界如何被建模与交互」、SkyReels V4 解决「内容如何被规模化生成」，Mureka V9 关注「情感与表达如何被精准控制」。

在这一框架下，通往 AGI 终极目标所需的能力组合更加清晰。而昆仑万维发布的 2026 AGI 战略，则在这些能力之上给出了路径上的独到思考。

我们可以用「3+1」来描述这一战略的完整布局，其中3 指的是三大场景大模型，即游戏、视频与音乐；1 指的是天工超级智能体

依托三大场景大模型持续突破多模态能力边界，同时借助天工超级智能体（Skywork Super Agents）对这些 AI 能力进行统一调度。

天工超级智能体于去年 5 月发布，核心能力可以归纳为三点：一是跨任务一体化执行，二是以 Deep Research 为核心的信息处理，三是多 Agent 模块的分工与协作。随着今年 OpenClaw 的爆火，Skywork 推出了 SkyClaw，打造云端 AI 原生助理；同时上线首批 6 大官方 Skills，将能力封装为可直接调用的工具。

基于此，天工超级智能体补上了「能力如何被高效调用」的关键一环，通过将不同能力串联成完整的执行链路，使任务从理解、生成到交付，一气呵成。

与此同时，昆仑万维还在围绕「平台 + 超级智能体 + 开发者 + 创作者」，搭建一套更加开放的生态协同体系。

一方面，将多模态能力以统一入口对外开放，降低门槛，使开发者与创作者能够更直接地调用这些能力进行开发与创作；另一方面，通过与产业伙伴的合作，将 AI 能力落地到游戏、视频与音乐等具体场景中，逐步完成从技术到应用的转化。

当能力、调度与场景形成闭环，AGI 的未来才更加可期。

文中视频、音频链接：https://mp.weixin.qq.com/s/g5-Y-7H1hfovmyBcB6WSqQ