概览
JST-2（Joint Space-and-Time, gen 2.0）是加拿大公司 Viggle 于 2026 年 10 月 19 日发布的「物理原生世界基础模型」，用一个模型同时生成 3D 场景、3D 角色和全身动作，并把它们放进同一个可进入、可漫游的 3D 世界。前代 JST-1 用了约两年开发，验证了这一架构在角色生成和动画上的效果，支撑了用户超 5000 万的 Viggle AI 梗视频应用。JST-2 的编码器把图像映射为代表 3D 空间中持久「原子」的 Physics-Native Tokens，生成器根据文字、图片等多模态提示直接生成这些 token，解码器再结合视角和动作 / 力输入输出图像或 3D 高斯泼溅。官方称它在 NVIDIA B200 上约 1 秒生成一个 3D 场景（不含网络延迟）、推理成本低于 0.01 美元，最多支持 64 个输入视角作为空间上下文；从稀疏视角也能重建出外观完整的 3D 世界。JST-2 Character 可从一张图生成可直接驱动的全身 3D 角色，JST-2 Motion 可从文字或视频生成全身动作；官方盲测人评中对比多款同类动作模型取得过半胜率。以上均为官方说法。Viggle 的 3D 创作引擎 PINOC 基于 JST-2，开发者可通过 Viggle API 或 MCP 调用；模型权重未开放。参数量、上下文等未公布。来源：https://viggle.ai/jst2 、https://viggle.ai/research 、https://viggle.ai/pinoc （2026-10-30 核对）。 定价：未公布按 token 的模型单价；官方称单个 3D 场景推理成本低于 0.01 美元；在 PINOC（起价 10.39 美元 / 月，官网价格页按年付折算显示）或 Viggle API（按积分计费，每积分 0.01 美元，新账户送 100 积分）中使用。
- 模态
- 多模态
能力
- 物理原生世界基础模型：编码器把图像映射为代表 3D 空间中持久「原子」的 Physics-Native Tokens，生成器从多模态提示直接生成这些 token，解码器结合视角与动作 / 力输入输出图像或 3D 高斯泼溅（Gaussian splats）
- 3D 场景：前馈生成，无需逐场景优化，官方称在 NVIDIA B200 上约 1 秒生成一个场景、推理成本低于 0.01 美元；最多支持 64 个输入视角作为空间上下文，可逐视角扩展世界并在浏览器本地漫游
- 3D 角色（JST-2 Character）：一张图生成完整全身 3D 角色，不用单独绑定骨骼和蒙皮即可驱动
- 3D 动作（JST-2 Motion）：从文字或视频生成全身 3D 动作并直接套到 JST-2 角色上；官方盲测人评中对多款同类模型胜率领先
- 使用：在 Viggle 的 3D 创作引擎 PINOC（可导出 FBX / GLB）和游戏中体验，开发者通过 Viggle API 或 MCP 调用；权重未开放