Runway Solaris 直接生成軟體本身：首個「介面世界模型」深度解析

有史以來出貨的每一套軟體，都藏著一個翻譯步驟：設計師的視覺構想必須先轉換成程式碼——某種中間表示——才有辦法動起來。8 月 31 日，Runway 發表了一個直接刪掉這個步驟的模型。Solaris 是該公司稱為「介面世界模型（Interface World Model）」的新模型家族之首，能夠即時逐框生成可互動的 App 與網站介面，背後完全沒有程式碼。

Runway 提出的問題看似簡單，實則激進：當作業系統在你使用的當下即時生成 App 和網站，會發生什麼事？ 從早期終端機到 macOS，每一套作業系統都由它決定螢幕上渲染什麼、使用者操作時會發生什麼。應用程式疊在上面，然後凍結不動，直到開發者推出更新。Solaris 則是直接渲染這一層——每一框都在你互動的當下合成，介面因而能持續回應你的行為。

為什麼翻譯步驟是個問題

Runway 的論述是：如今的軟體開發流程，是「對可能互動空間的一次有損壓縮，而且在任何使用者到場之前就凍結了」。像素級完美的設計稿和影像模型早已能生成以假亂真的完整畫面——但圖片不會「動」。每一種行為仍然必須事先明確定義、事先實作；而一旦設計被簡化成程式碼，介面之所以能快速回應，正是靠犧牲原始設計的大部分豐富性換來的。

這個資訊損失是可以量測的。Runway 建了一個重建基準，結合結構相似度（SSIM）與 DINOv3 特徵的區域比對，結果顯示：即使是最先進的多模態語言模型，隨著視覺複雜度提高，重建品質也會一致地劣化——豐富的視覺細節根本無法用語言精確表達。Solaris 直接在視覺介面上操作，從第一框開始就完整保留介面的視覺與語意狀態。

技術原理

Solaris 建立在 Runway 的 Gen-4.5 影片生成模型之上，沿用其通用世界模型 GWM-1 開啟的路徑改編而成。三個設計環節讓它得以運作：

學習互動。 使用者的輸入——點擊、拖曳、打字——被當成下一框的條件訊號，就跟文字提示和圖片提示一模一樣。因為模型永遠只看得到已經發生的互動（絕不看未來的），它學到的是使用者行為與視覺結果之間的因果關係，而不需要任何互動被明確程式化。

即時運行。 標準影片擴散模型要對整段影片做數十步去噪——做內容創作沒問題，做介面則毫無希望。Runway 分三階段把 Solaris 轉成即時引擎：先教模型自回歸地生成畫面（每一框只依賴之前的畫面），再把多步去噪蒸餾到只剩幾步，最後用快速模型自己的輸出再訓練它，讓視覺品質在長時間互動下保持穩定。Runway 表示，同樣的工程也讓它的運行成本比標準影片擴散模型低了幾個數量級。

推理與渲染分離。 這是整個系統的架構核心。一個語言模型決定應用程式「下一步該做什麼」——解讀使用者請求、判斷互動該修改當前場景還是切換到新場景、定義讓世界感覺活著的行為，並產出引導渲染的提示詞。世界模型則生成這個行為「看起來如何」，以可互動的速度即時呈現。一個模型負責推理，另一個負責渲染。

互動模式本身令人驚豔：沒有預先定義的畫面、沒有範本可以退回。你提供一個起始狀態——品牌環境、產品場景——模型就開始串流畫面。文字提示定義點擊和拖曳在特定場景中「是什麼意思」。Runway 稱之為「重新定義滑鼠」：點一下貓，接下來你的點擊就會把牠的毛色和紋理塗到你碰到的任何東西上；點一幅畫，你可能就開始用那種風格作畫。

實測數據：Solaris 對決程式碼介面

最具體的成果，是與最先進語言模型——Claude Opus 5——產生的程式碼介面正面對決。兩個系統從同一張圖出發、收到同樣的互動請求，Runway 接著執行了一項 250 人參與、涵蓋 30 個互動範例的使用者研究，收集了近 7,500 筆成對判斷。

參與者在兩項指標上都偏好 Solaris：

• 指令遵循度： Solaris 在 61% 的比較中勝出，程式碼介面為 24%（13% 評為等同）
• 場景內的自然度： Solaris 獲 71% 偏好，程式碼網站為 21%（6% 等同）

自然度的差距最說明問題。程式碼介面往往能重現你要求的變更，但它把每個 UI 操作當成對介面的孤立更新。因為世界模型本來就理解物件、材質和環境的行為方式，Solaris 生成的互動會與整個場景保持連貫——沙發換了顏色，光線也跟著回應。

訓練 Agent 的全新方式

公告中埋著一個可能影響最深遠的含義：Agent 訓練。如今最好的 LLM 仍會在訂飯店、網購生鮮這類基本電腦操作任務上卡關，因為在程式碼介面上訓練的文字模型，學到的是訓練時那個特定版面，換個稍有不同的介面就無法適應。Solaris 把行動與回應之間的鴻溝壓縮掉，讓 Agent 能在持續變化、版面可能從未存在過的介面上訓練——這比靜態網頁爬取是豐富得多的訓練素材。

目前還做不到的事

Runway 對缺陷異常坦白。穩定、可讀的文字仍是影片生成最難的問題之一——而介面對文字的依賴比幾乎任何視覺領域都重；暫行的折衷路徑是混合系統，在可容忍暫停時用影像模型渲染文字密集的畫面。信任問題未解：對教學或商業體驗來說，一個有說服力的錯誤答案比沒有答案更糟，所以 Solaris 目前靠真實產品影像錨定場景，對已驗證脈絡的 grounding 仍是活躍研究方向。長時段連貫性——在延伸、開放的互動中維持視覺與語意一致——尚未解決。還有無障礙：生成的介面仍必須能與螢幕閱讀器和無障礙 API 協作，否則彈性就是以可用性為代價。

Solaris 目前以 720p 品質為目標，工程焦點有三：即時互動（互動感消失的延遲門檻約在半秒）、整個 session 的連貫性、以及撐得住的視覺品質。

當介面變成生成的

Runway 描繪的終點，是一個「App 不再是你互動的單位」的作業層。今天要完成一件事，你得打開為它預先打造的 App。如果作業系統能按需生成有用的介面，固定的 App 目錄就開始像上一代的遺留束縛——你需要的東西自己出現，為你客製。店面變成一個生成的環境，在圍繞每個人重塑的同時保留品牌識別；教學不再對所有人重播同一套順序，而是在你自己的脈絡中渲染下一步，你偏離腳本時還能自然恢復。

Runway 預期這條軌跡會重演影像生成的歷史：每一代模型都更快、更連貫、更可控。該公司正與關鍵合作夥伴合作公開推出 Solaris，早期存取可透過表單申請——而那些曾讓生成式介面顯得不切實際的挑戰，如今用他們的話說，看起來「越來越像是可解的工程問題」。

無論 Solaris 本身會不會成為產品，抑或只是概念驗證，這一步概念上的跨越都意義重大：它把「軟體」視為一個模型可以成為的東西，而不只是模型幫你寫出來的東西。「幫你寫 App 的 AI」與「本身就是 App 的 AI」之間的鴻溝，剛剛拿到了第一個認真的基準測試。