Runway日前公布了首个界面世界模型Solaris，让App与网页界面可以像视频一样被实时生成：用户点击、拖拽之后，模型直接生成下一帧画面，无需开发者预先编写任何代码。这套方案基于Runway的Gen-4.5视频模型改造，采用逐帧自回归、少步蒸馏与自生成结果训练，在720p分辨率下实现了实时交互，由语言模型负责推理、世界模型负责渲染，人类对比测试中指令遵循与行为自然度的偏好率分别达到61%和71%。
传统App开发中，每一个按钮、每一处跳转都需要开发者编写界面代码与交互逻辑。Solaris的思路完全相反：它把界面本身当作世界模型的一个状态序列，用户与界面的每一次交互都成为世界模型的下一个输入，模型随即渲染出后续画面。对于开发者而言，这意味着产品原型可以跳过漫长的编码过程，直接用自然语言描述需求，让模型"演"出一个可交互的界面。
实现这一效果的技术路径颇具巧思。Solaris基于Gen-4.5视频模型改造，采用逐帧自回归的生成方式，每一帧都依赖前序帧的状态；少步蒸馏技术把推理步数压缩到实时可用的范围；自生成结果训练则让模型在自身产出的交互序列上持续学习，强化界面状态转换的一致性。整个系统中，语言模型承担意图理解与推理，世界模型负责画面渲染，二者分工明确，共同维持交互的流畅性。
Runway公布的人类对比测试数据，直观展示了Solaris的能力边界：在指令遵循与行为自然度两个维度上，Solaris的偏好率分别达到61%与71%，明显高于传统代码方案的对照组。测试者普遍认为，Solaris生成的交互过程更贴近真实应用的行为逻辑，点击、拖拽后的反馈响应自然，页面转场连贯，几乎看不出"机器生成"的痕迹。
值得注意的是，Solaris并非要取代现有的设计工具与低代码平台。在Runway的构想中，模型生成的是界面的表达层，开发者仍可在生成结果之上叠加业务逻辑、数据绑定与后端接口，两者是互补关系而非零和竞争。这意味着原型阶段可以跳过手写代码，快速验证交互方案，进入正式开发时再把真实逻辑接回去，产品的探索成本因此大幅下降。
界面世界模型最大的技术挑战是延迟。视频模型逐帧生成天然昂贵，若每帧推理耗时数百毫秒，交互体验就无从谈起。Solaris通过少步蒸馏显著压缩了单帧的采样步数，再结合自回归的局部重算策略，只在界面状态发生变化的区域执行密集计算，静态区域复用既有帧，从而把整体延迟压到实时交互的阈值之内。
分辨率方面，Solaris在720p下实现了流畅交互，这一规格覆盖了绝大多数网页与移动应用的显示需求。Runway表示，更高分辨率的支持正在优化中，但受限于推理成本，短期内不会无上限提升。训练数据的构建同样关键：团队用自生成结果训练的方式，让模型在"自己演出的界面"上持续迭代，形成反馈闭环，这种自举式训练绕开了人工标注海量界面状态序列的高昂成本。
值得关注的是，Solaris的架构与Runway此前的视频生成路线一脉相承。Gen-4.5作为底层视频模型提供了时空一致的渲染能力，Solaris则在其上叠加了交互状态机与界面语义理解，相当于给视频模型装上了"可点击的输入层"。这种复用策略让Runway不必从零构建世界模型，而是把成熟的视频生成能力平移到界面场景，技术路线的复用性是其快速推出产品级方案的关键。
交互一致性的维护是另一道技术关。用户在同一会话中反复点击、输入时，模型必须记住此前的界面状态，避免每操作一次界面就失忆重来。Solaris在处理这类长交互序列时，引入了对话级的状态记忆，让后续帧在生成时参考前序交互的历史信息，这与视频生成中的跨帧一致性是同一类挑战，但约束对象从画面像素变成了界面元素。
除了直接生成可交互界面，Solaris还有一个被业界看重的用途：为Computer Use Agent提供泛化的训练环境。所谓计算机使用智能体，是指能够像人一样操作浏览器和软件完成任务的AI。这类智能体的训练需要海量真实界面交互数据，而真实环境的数据获取受限于隐私、成本与场景覆盖，Solaris生成的合成界面恰好可以充当低成本、高泛化的训练场。
在合成环境中，智能体可以反复练习点击、填表、导航等操作，模型会基于界面状态即时反馈结果，训练效率远高于在真实网站上的缓慢试错。Runway指出，Solaris生成的界面在行为逻辑上与真实应用高度一致，智能体在合成环境中习得的技能可以迁移到真实场景，这为计算机使用智能体的规模化训练提供了一条新路径。
从行业视角看，界面世界模型的想象空间不止于App原型设计。它让"软件即内容"成为可能，产品的界面不再是静态资产，而是可以随时按需生成、动态演化的交互内容；它也让软件测试、产品评审、教学演示等环节的效率大幅提升。随着Solaris开源相关技术与接入生态的扩展，界面生成有望继文生图、文生视频之后，成为生成式AI的下一个规模化落地场景。
从生态规划看，Runway透露Solaris将逐步开放开发者接口，允许第三方把界面生成能力嵌入自己的产品。这意味着未来的App原型、内部工具、教学演示都可能由模型直接生成，软件开发的起点将从写代码前移到描述需求，产品经理、运营人员也可以亲手搭建可交互的演示界面，界面生成的普及速度可能比文生图当年更快。