返回资讯中心
外部精选
软件工程
#开发者实时流

研究团队推出Solaris模型,操作系统可实时生成界面

来源标题:Introducing Solaris

研究团队发布Solaris,这是名为Interface World Models的新AI系统家族的首个模型,能逐帧实时合成界面,让操作系统在用户交互时直接生成应用和网页。该模型跳过代码等中间表示层,界面随操作连续响应,而非依赖固定应用和更新。

Hacker News 最新gmays2026/11/16 · 昨天30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

今天我们发布 Solaris:这是我们称为 Interface World Models 的全新 AI 系统家族中的首个模型。Solaris 从一个问题出发:当一个操作系统在你使用的过程中即时生成应用和网站,会发生什么?

从早期终端到 Linux 和 macOS,每一个操作系统都决定了屏幕上渲染什么,以及当人或程序对其操作时会发生什么。应用程序构建在其之上,并保持固定,直到有人推送更新。而 Solaris 直接渲染这一层。它是一个实时交互模型,逐帧生成界面本身。每一帧都在你交互时合成,使界面能够持续响应你的操作。

设计比以往任何时候都更加注重视觉效果,像素级精确的 mockup 和图像模型可以生成几乎与成品无法区分的完整屏幕。但图像无法像网站或应用那样运行。今天构建的每一款软件仍然需要一次转换:视觉设计必须先转换为中间表示(例如代码),才能做任何事。

这种中间表示限制了界面可以是什么,以及它如何响应人类和 agent 的交互。每一种行为都必须事先明确定义和实现,因此软件交付时只是可能交互空间的有损压缩,在任何用户到来之前就已冻结。同样的转换过程也牺牲了视觉保真度。一旦设计被简化为简化表示,界面就能快速响应,但代价是放弃了原始设计的丰富性。

Solaris 联合处理渲染和交互,消除了我们今天与设计相关的许多权衡。单一世界模型生成每一帧和对用户输入的每一个响应,无需中间表示。因为没有转换步骤,所以没有损失,整个帧就是界面。

我们认为 Solaris 开辟了构建网站、应用和其他在线界面的新方式。但它也是一种在更加动态的环境中训练 agent 的新方法。即使是今天最好的 LLM 也难以完成基本的计算机使用任务,比如预订酒店或订购杂货。因为基于文本的模型被训练使用编码界面,它们往往学到的是训练时的特定布局,无法适应稍有不同(比如两个不同的酒店网站)的界面。通过压缩动作与响应之间的空间,Solaris 让 agent 能够针对不断变化的界面、以及可能从未存在过的布局进行训练。

Solaris 为软件带来三项新能力。

下载

第一,Solaris 完全是视觉化的。当图像本身成为应用时,就不需要在用户看到的视觉之下隐藏第二个实现步骤。想象浏览一家虚拟服装店,展厅本身就是界面。使用一张你自己的图像作为参考,你可以从衣架上拿起一件衬衫,把它拖到自己身上试穿,或者像在实体店一样自然地重新布置陈列。

下载

第二,它是活的。因为应用是持续渲染的,它始终在演化,而不是等待下一个用户操作。倒影随光线变化而移动,物体在被操作时自然响应。用户可以简单地说:“把桌子移一下,让我看看效果”或“把沙发的颜色换掉”。结果是软件感觉起来不再像是在浏览预先编写的页面,而更像是在与一个活的环境交互。

下载

最后,它是开放式的。传统界面局限于开发者在开发期间预见到的交互,但 Solaris 可以在同一场景中支持完全不同的行为,实时响应用户交互。这种灵活性将界面与预定义工作流解耦,转而由驱动世界模型的能力来决定什么是可能的。

下载

Solaris 将界面变成一种交互体验,而非一连串页面。用户不再从菜单中选择选项,而是直接与场景本身交互。做一份沙拉就像把食材拖进碗里一样简单,界面会随着每一样食材的加入自然响应。

下载

为什么此前没有出现过?

数字界面建立在两个系统之上,而这两个系统直到现在一直处于不同的世界。

我们传统上将软件界面视为确定性程序,将世界模型视为视觉内容生成器。而 Interface World Model 必须同时是两者:一个理解你的意图、同时在其周围持续渲染一个交互世界的系统。

一旦你尝试构建一个,三个工程挑战立刻浮现:

Solaris 是我们的一次押注:这些概念和技术障碍可以被克服。我们构建它时聚焦于三点:实时交互、整个会话期间的一致性,以及在 720p 下保持的视觉质量。

Solaris 基于我们的 Gen-4.5 视频生成模型构建,我们对其进行了调整,使其 (1) 理解交互,(2) 实时响应。它沿着我们用 GWM-1(我们的通用世界模型)开辟的路径前进。

学习交互。Solaris 将用户输入视为下一帧的条件,就像它对待文本或图像一样。模型在生成时观察点击、拖拽和其他交互,将它们作为接下来发生什么的信号。因为模型只看到已经发生的交互(从不看到未来的交互),它学习用户动作与视觉结果之间的关系。这意味着它知道当某物被点击、拖拽或修改时应该发生什么,而无需将这些交互显式编程。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →