VAST ouvre EdenLive, un modèle de monde temps réel pour la recherche

Imaginez : vous arrivez devant une porte, vous ne savez pas si vous pouvez entrer, alors vous faites demi-tour, deux pas, puis deux sauts, pour voir si vous pouvez passer le mur voisin. Dans un jeu, c’est une action tout à fait banale. Mais si l’image qui s’affiche est générée par IA en temps réel, le modèle doit suivre chaque décision improvisée du joueur (s’arrêter brusquement, faire demi-tour, courir et sauter) et rester stable à chaque image. C’est précisément le défi que relève EdenLive, le modèle de monde en temps réel que VAST vient d’ouvrir en open source.

La répartition des rôles est essentielle. Les règles, les points de vie, les collisions et les conditions de victoire restent gérés par le système d’interaction en amont : lorsque le joueur appuie sur la touche d’attaque, celui-ci détermine si le coup touche et combien de points de vie il retire, met à jour l’état du personnage, puis restitue chaque changement sous la forme d’une maquette grise ne montrant que la disposition spatiale et les mouvements. EdenLive reprend cette maquette et laisse le modèle génératif décider de ce qu’elle « représente » vraiment : l’image de référence fixe la structure, le mouvement et la caméra ; la première image cible définit les matières, les couleurs et le style ; le prompt textuel ajoute les détails. Dans Project Eden, publié par VAST en mai de cette année, l’entreprise avait déjà détaillé cette architecture en trois couches.

L’équipe a fait évaluer 45 cas de longue durée par Gemini-3.8-Flash, dans une comparaison aveugle deux à deux. Sur cinq critères (fidélité à la référence, cohérence avec la première image, plausibilité physique, qualité d’image et absence de fuite d’apparence), EdenLive 14B et 5B occupent les deux premières places. Pour la fidélité à la référence, le 14B obtient 1 704 points, soit environ 200 points de plus qu’AgentGarten. Côté vitesse, l’équipe annonce qu’EdenLive 5B génère de la 720P à plus de 24 FPS sur une seule carte grand public RTX 5090, avec une capacité de génération continue de l’ordre de la minute. Ces résultats proviennent des propres évaluations et déclarations de l’équipe ; une vérification indépendante reste à faire.

Pour les équipes qui conçoivent des prototypes de jeux ou des aperçus d’animation, le changement est concret : à partir d’une même scène en maquette, il suffit de changer de première image et d’écrire une phrase de prompt pour comparer des rendus radicalement différents, réalistes, en traits de crayon, cartoon, pixel art ou peinture à l’huile. Lorsque la caméra s’éloigne puis revient, la structure de la scène reste à sa place. Pour les équipes de robotique, une vidéo tournée avec une caméra frontale portée sur la tête, où une personne essuie une table, peut voir la main humaine remplacée par une main robotique, tout en conservant le geste et le cadrage. Cela permet de compléter les données d’entraînement avec une vue « depuis le robot ». Les poids du modèle, le code d’inférence et l’interface de travail web sont accessibles ; la source ne donne en revanche aucun calendrier de déploiement à grande échelle.

Les limites sont tout aussi claires. EdenLive ne détermine pas ce qui se passe dans le jeu et ne fait pas non plus « tourner » le monde ; une vidéo existante, une fois re-rendue, reste une vidéo, et la jouabilité dépend toujours du code en amont. Les démonstrations de modèles de monde ont souvent utilisé une seule vidéo pour prouver qu’un modèle sait imaginer un univers. L’originalité d’EdenLive tient à la séparation entre « qui gère les règles » et « qui gère l’image », et à la capacité de l’image à suivre les actions du joueur.