视频扩散模型迈过了"实时可玩"这条硬门槛。arXiv 2607.12592 上挂出的 WanToFight,第一次把生成式游戏引擎的四件难事——多玩家控制、实时推理、复杂物理交互、对抗博弈——同时塞进一个系统。它的底座是阿里开源的 Wan-1.3B 视频扩散 Transformer,作者团队(Li Hu、Guangyuan Wang、Peng Zhang、Bang Zhang)在上面搭了三层增量架构,把"按帧画画"变成"按键出招"。 第一层是流式自回归生成器,核心是 block-causal attention + rolling KV cache,把全局去噪切成因果块,显存占用恒定,长序列不再爆。第二层是 Player Association 模块,键盘信号先经过视觉 grounding 绑定到角色身份,再通过 gated、locally causal 的注入模块回到去噪网络,避免控制信号污染共享表征;训练上采用单人到全玩法的渐进课程,先学单人再学对抗。第三层是工程化的蒸馏栈:四步 DMD 蒸馏的学生模型 + 剪枝 VAE 解码器,把端到端时延压到 RTX 5090 单卡 512×384 @ 30FPS,能撑完一整场 KOF'97。 把视角放高一点,WanToFight 的真正意义不在"模型又多强",而在它示范了一种工程范式:1.3B 规模 + 消费级单卡 + 蒸馏+KV cache+剪枝 VAE 三件套,视频扩散模型从此可以走出"按秒计费"的云端流水线,进入实时交互循环。这与 GameNGen、DIAMOND、Oasis 等单玩家/第一人称路径形成了明显分野——多玩家对抗场景的视觉一致性和因果保持难度更高,WanToFight 第一次给出了实证答案。 当然,512×384 分辨率、依赖单卡、格斗动作的离散空间相对简化,都意味着离"真·3A 实时生成"还有相当距离。但方向已经清楚:下一个阶段的视频扩散,不会再比谁的参数更多,而会比谁先把生成折进 30FPS 的交互回路。