Runway Solaris: Interfejsowy model świata, który zastępuje kod wideo

Runway Solaris i GWM Worlds 2 to dwa modele wypuszczone przez Runway u progu września 2026 roku, i razem stawiają jeden konkretny zakład: że następną użyteczną rzeczą, którą robi model wideo, nie jest renderowanie klipu, który się ogląda, lecz utrzymywanie świata, w którym się działa. Solaris, ogłoszony 31 sierpnia, generuje interfejsy oprogramowania klatka po klatce — kliknięcie lub przeciągnięcie warunkuje następną klatkę, a obraz jest aplikacją, bez HTML, CSS, JavaScript czy DOM pod spodem. GWM Worlds 2, ogłoszony 3 września, stosuje ten sam trik wobec środowisk: ciągłe 720p przy 24 klatkach na sekundę z dźwiękiem 48 kHz, w sesjach, które nie muszą się kończyć. 10 września Runway opublikowało badania stojące za obydwoma, a ten wpis jest bardziej przydatny niż relacje z premiery, bo wyjaśnia, jak model wideo dyfuzyjny staje się wystarczająco szybki, by sprawiać wrażenie działania na żywo. Nie wyjaśnia jednak, jak uzyskać dostęp. Żaden z modeli nie ma publicznego API, podanej ceny ani wag do pobrania.

Gdzie Solaris i GWM Worlds 2 plasują się w ofercie Runway

Oba modele wywodzą się z tego samego miejsca. Model wideo Gen-4.5 firmy Runway jest podstawowym artefaktem; ogłoszony w grudniu 2025 r. program ogólnego modelu świata GWM-1 dostarczył ramy „modelu świata”; Runway Characters, wcześniej w 2026 r., było pierwszą publiczną prezentacją idei, że można wydać polecenie modelowi wideo i otrzymać coś, co reagowało, a nie coś, co się odtwarzało.

Solaris zabiera tę linię gdzieś węższą i dziwniejszą. Runway nazywa go pierwszym modelem świata interfejsu, a twierdzenie nie polega na tym, że generuje obraz interfejsu użytkownika, lecz że generowanie jest interfejsem użytkownika. Model językowy decyduje, co powinno się zmienić, gdy wchodzisz w interakcję; model świata renderuje konsekwencję. W poście premierowym Runway konwencjonalne tworzenie aplikacji określa się jako „kompresję stratną” — intencja projektanta skompresowana do kodu, a następnie zdekompresowana przez przeglądarkę, gdzie wszystko, co możesz zrobić, jest ograniczone do tego, co programista zaprogramował z góry.

GWM Worlds 2 to szerszy krewniak. Generuje interaktywne środowiska, a nie interfejsy, a jego warstwa sterowania to format, który Runway nazywa WorldPrompt: trwały prompt „genesis”, który ustala środowisko, układ, materiały, oświetlenie, atmosferę, podmioty, reguły fizyczne i perspektywę kamery, a także pierwszą klatkę kotwiczącą wygląd; następnie strumień zdarzeń ze znacznikami czasu, złożony ze swobodnych działań tekstowych adresowanych do podmiotu lub sceny, z czasami rozpoczęcia i zakończenia, dzięki czemu działania mogą się nakładać.

• Solaris — model świata interfejsu, zbudowany na Gen-4.5, pierwszy w serii Interface World Models firmy Runway, ogłoszony 31 sierpnia 2026

• GWM Worlds 2 — drugi ogólny model świata, 720p przy 24 kl./s, dźwięk 48 kHz, w tym generowana mowa z zsynchronizowanym ruchem warg, ogłoszony 3 września 2026

• Sesje — o otwartym zakończeniu dla GWM Worlds 2, a nie klipy o stałej długości; sesje 720p dla Solaris

• Dostęp — Solaris: formularz zgłoszeniowy do wczesnego dostępu. GWM Worlds 2: formularz kontaktowy. Żaden z nich nie opublikował cennika ani publicznego punktu końcowego

• Deklarowane opóźnienie — Solaris jest opisywany jako działający z prędkością interaktywną, poniżej 500 ms na klatkę

• Niezależne benchmarki — brak. Wszystko, co dotychczas opublikowano, pochodzi od Runway

Trzyetapowa konwersja, która kupuje pół sekundy

Wpis badawczy z 10 września, „Towards Instant Video Generation”, to pierwszy raz, kiedy Runway opisał mechanizm w jakichkolwiek szczegółach, a jego forma jest znana z literatury dotyczącej destylacji modeli dyfuzyjnych, nawet jeśli samo zastosowanie już nie. Punktem wyjścia jest standardowy dwukierunkowy model wideo — Gen-4.5 — w którym każdy krok generowania jest warunkowany początkową pierwszą klatką i podpisem, a wcześniej wygenerowane latentne reprezentacje są utrzymywane w kontekście. Ten model jest dokładny i wolny: flow matching wymaga wielu kroków odszumiania na klatkę, a klatka, na którą trzeba czekać, nie jest interfejsem.

Konwersja odbywa się w trzech krokach. Najpierw architektura zostaje przekształcona w czasowo przyczynowy, autoregresyjny generator klatka po klatce — każda klatka zależy tylko od tego, co było przed nią, i właśnie to w ogóle umożliwia strumieniowanie. Po drugie, destylacja dopasowująca rozkłady redukuje wiele kroków odszumiania do kilku i stąd bierze się szybkość. Działa to w dwóch fazach, a Runway jest wyjątkowo jasny co do tego, dlaczego obie są potrzebne. Faza off-policy polega na tym, że uczeń przewiduje kolejne stany na podstawie kontekstu referencyjnego, podczas gdy zamrożony dwukierunkowy nauczyciel demonstruje dobre generacje, a krytyk popycha ucznia w stronę rozkładu nauczyciela — tanie, bo nie ma rolloutów, ale niewystarczające samo w sobie, ponieważ w wideo wczesny błąd staje się kontekstem dla następnej klatki i szybko wypycha model poza rozkład. Faza on-policy przeprowadza więc rollouts podczas treningu, dzięki czemu każdy wygenerowany latent staje się kontekstem dla następnego, dokładnie tak, jak będzie przy wnioskowaniu. Runway mówi, że większość rzeczywistych zysków pochodzi z tej fazy oraz że curriculum stopniowo wydłużanych sekwencji przewyższa trening na długich sekwencjach od samego początku.

Po trzecie, model jest trenowany na własnych wynikach, aby powstrzymać dryf wizualny podczas długiej sesji. Te trzy etapy razem pozwalają Runway użyć słowa „interactive”; do żadnego z nich nie przypisano wartości opóźnienia, liczby klatek na sekundę ani przepustowości. „Dobra latencja” to najkonkretniejsza informacja, na jaką zdobywa się ten post. Mówi natomiast, że wąskie gardło przenosi się z trenowania na wnioskowanie, ponieważ każda klatka musi opuścić model wystarczająco szybko, by można ją było odtworzyć na współdzielonym sprzęcie — i to właśnie koszt na wyjście przy danej jakości decyduje o tym, które przypadki użycia są w ogóle wykonalne.

Badanie 61 do 24, przeczytaj uważnie

Liczba, która najdalej rozeszła się po ogłoszeniu Solaris, to wynik preferencji, więc warto być precyzyjnym co do tego, co zmierzono. Runway przeprowadził badanie z 250 uczestnikami i około 7 500 porównań parami w 30 przykładach interakcji. Uczestnicy woleli Solaris niż interfejs kodowy wygenerowany przez Claude Opus 5 w 61 procentach przypadków, jeśli chodzi o przestrzeganie instrukcji interakcji, wobec 24 procent dla wersji kodowej; pod względem naturalności zachowania podział wynosił 71 do 21.

Trzy rzeczy, którymi ta liczba nie jest. Nie jest niezależnym wynikiem — Runway go zaprojektował, przeprowadził i zaraportował, a żadna strona trzecia go nie odtworzyła. Nie jest miarą tego, czy interfejs zadziałał: przestrzeganie instrukcji i naturalność zachowania to oceny tego, jak interfejs wyglądał i jakie sprawiał wrażenie, a nie tego, czy zadanie wykonano poprawnie. I nie jest porównaniem z samym Claude Opus 5, który jest modelem językowym; jest porównaniem z interfejsami, które model językowy napisał jako kod. To rozróżnienie to cały zakład w jednym zdaniu — teza nie jest taka, że Solaris jest mądrzejszy od LLM, lecz że pominięcie warstwy kodu daje bardziej naturalny wynik.

Czego model wciąż nie potrafi zrobić

Runway mówi o lukach szczerzej, niż zwykle robią to posty premierowe, a luki te mają charakter strukturalny, a nie kosmetyczny.

• Renderowanie tekstu — czytelny, stabilny tekst jest naprawdę trudny dla modelu opartego na technologii generowania wideo, a interfejsy składają się z tekstu. Runway zaproponował rozwiązanie hybrydowe: pozwolić konwencjonalnemu modelowi obrazów renderować widoki z dużą ilością tekstu podczas przerw w interakcji

• Dostępność — wygenerowany interfejs nie ma DOM, więc czytniki ekranu i interfejsy API dostępności nie mają do czego się podpiąć. To nie jest błąd do zgłoszenia; to cecha tego podejścia

• Długie sesje — spójność pogarsza się wraz z przedłużającą się, otwartą interakcją, a to właśnie ten tryb, w którym funkcjonuje interfejs

• Zaufanie i ugruntowanie — pewne siebie, błędne renderowanie jest gorsze niż brak renderowania, a Solaris opiera się na tym, że jego klatka początkowa jest zakotwiczona w zweryfikowanym materiale referencyjnym

• Rozdzielczość — 720p to dużo jak na klip wideo, a ciasno jak na pełne danych oprogramowanie desktopowe

W przypadku GWM Worlds 2 uznane ograniczenia to inny zestaw: szybkie obroty kamery pogarszają jakość detali, tekstur i geometrii; pamięć długoterminowa jest niekompletna, więc pomieszczenie, które opuścisz i do którego ponownie wejdziesz, może nie zawierać tych samych obiektów; odniesienia do obrazów ograniczają się do pierwszej klatki lub wstępnie wypełnionego klipu; a dialog stanowy zwykle wymaga zewnętrznego oprzyrządowania, aby cokolwiek śledzić.

Dlaczego Runway uważa, że to infrastruktura do trenowania agentów

Najciekawszy argument dotyczący Solaris nie dotyczy w ogóle interfejsów. Ponieważ potrafi wygenerować interfejs, który nigdy wcześniej nie istniał — zamiast odtwarzać znany układ — można by go wykorzystać do trenowania agentów korzystających z komputera, które muszą generalizować, a nie uczyć się na pamięć. To uderza w prawdziwą słabość: agenci trenowani na garstce dobrze znanych układów aplikacji bywają kruchi w momencie, gdy układ się zmienia. GWM Worlds 2 wysuwa ten sam argument w odniesieniu do pracy ucieleśnionej i udostępnia jawny tryb sterowania przez agenta, w którym agent AI planuje i wykonuje zadania wewnątrz świata.

To dobry argument i niepełny. Środowisko, które nie potrafi wiarygodnie zapamiętać, że lampa, którą włączyło, nadal jest włączona, jest słabym miejscem do trenowania czegokolwiek, co zależy od stanu — a tym zajmuje się większość tego, co robią agenci. Runway mówi o tym wprost w swojej sekcji ograniczeń. Uczciwa interpretacja jest taka, że to obiecujący kierunek, na którego drodze stoi bezpośrednio problem ze śledzeniem stanu.

Co można dziś faktycznie nazwać

Solaris to podgląd badawczy. Dostęp odbywa się przez formularz zgłoszenia wczesnego dostępu skierowany do partnerów, a Runway nie ogłosił publicznej daty premiery. W dokumentacji API samego Runway nie ma endpointu Solaris, nie ma cennika ani udostępnionych wag. GWM Worlds 2 jest za bramką formularza kontaktowego, podczas gdy Runway weryfikuje go z wybranymi partnerami. Jeśli czekasz, aby budować na którymkolwiek z nich, to czekasz.

To ma znaczenie dla tego, jak czytasz resztę materiału, ponieważ jego duża część opisuje Solaris w czasie teraźniejszym, jakby był już wydanym produktem. Jeszcze nim nie jest, a Runway nie twierdzi inaczej.

Nic z tego nie jest czymś, co OrcaRouter może pomóc ci wywołać. Nasz katalog to modele tekstowe i multimodalne — 195 z nich w momencie pisania, i nic w kształcie modelu świata wśród nich. To, co routujemy, to druga połowa stosu. Jeśli interesującą przyszłością jest tutaj agent sterujący wygenerowanym interfejsem, coś nadal musi być modelem decydującym, co robić, a ta strona jest dostępna już dziś: jeden klucz do katalogu ponad 200 modeli, z 0% marży na cenie katalogowej dostawcy, automatyczne przełączanie awaryjne w przypadku degradacji dostawcy, DSL routingu do komponowania kilku modeli w jedno wywołanie, oraz fuzja modeli, gdy chcesz, aby panel odpowiadał razem zamiast jednego. Możesz wypróbować nowy model na ścieżce produkcyjnej bez ryzykowania tej ścieżki.

Co obejrzeć

Pytanie, które rozstrzyga, czy Solaris stanie się produktem, nie brzmi, czy generowane interfejsy wyglądają imponująco — bo bez wątpienia tak — lecz czy Runway może opublikować wartość opóźnienia i jej dotrzymać. Wszystko dalsze od tego zależy: historia trenowania agentów, argument o koszcie na wynik oraz twierdzenie, że to wideo jest przyszłością interfejsów.

Warto śledzić trzy sygnały. Liczba, jakakolwiek liczba, dołączona do twierdzenia o czasie poniżej 500 ms. Druga, niezależna reprodukcja badania preferencji. I endpoint — bo dopóki Solaris nie pojawi się w dokumentacji API Runway z ceną obok, należy go traktować jako kierunek badawczy z wyjątkowo dobrą taśmą demo, co jest całkiem realnym stanem, a jednocześnie jeszcze nie narzędziem.