ARTICLE · 987720
一帧一帧把 App 画出来:代码这层＂中间商＂,可能真要没了
凌晨五点多，我还坐在电脑前。
不是勤奋。是作息早就被这帮公司毁了。
然后刷到一条东西，睡意当场清零。
Runway 扔出来一个新模型，Solaris。
官方给的定位挺狠：这是一个叫「界面世界模型」（Interface World Models）的新家族里，第一个成员。
翻译成人话就是——
它不帮你写界面代码。它直接把界面，一帧一帧画出来。
你点一下，它生成下一帧。你拖一下，它再生成下一帧。
屏幕上那张画面本身，就是程序。
我盯着这句话看了得有一分钟。
坦诚的讲，我不是被"AI 又能生成 UI 了"吓到的。这种消息，这两年一周能来仨。
我是被"没有中间表示"这几个字吓到的。
先叠个甲：Solaris 目前只跟少数合作伙伴推进，官网挂的是早期访问申请表单。我没跑过，一帧都没跑过。所以这篇不是实测，是拆解。素材来自官方那篇长文，能核的数字我都回去核了一遍。
（行了，我知道你想看正文。）
一、先说清楚，它到底干了啥
我们今天的软件，是怎么长出来的？
设计师先出一张图。图很美，像素级还原。
然后呢？然后得有人把这张图，翻译成代码。
结构、样式、组件、状态，一层层搭。搭完，浏览器再把代码渲染成像素。
绕了一大圈，你最后看到的，还是像素。
Solaris 的做法是：中间那一圈，不要了。
一个模型，同时管"画成什么样"和"你动了之后发生什么"。整帧画面，就是交互层。
不用先定义按钮，不用先写事件回调，不用先猜用户会点哪。
它一边生成，一边接住你的动作。
这套打法我私下给它起了个外号，叫像素直出。
二、官方的暴论：代码，是一次有损压缩
这一段是我最喜欢的部分。因为它敢下判断。
官方的大意是：软件在出厂之前，所有可能的交互就已经被冻死了。开发那会儿想到的，你才能做；没想到的，你做不了。
而一个界面被翻译成代码的那一刻，信息就掉了一截。
视觉上掉一截，交互的可能性上再掉一截。
为了证明这不是嘴炮，他们做了一组重建实验：挑 30 个界面，从简单网页到图片密集的网页再到自然图像，让当下最强的一批多模态语言模型看着截图去复原界面，再用两套指标量还剩多少信息。一套是结构相似度 SSIM，比对复原结果和原图长得像不像；另一套用 DINOv3 特征，看原图里每一块内容，在复原结果里还找不找得着。
结论很朴素：界面越复杂，掉得越狠。自然图像掉得最惨。
道理其实特别好懂。你让一个人看着照片，用嘴描述给另一个人画出来，画出来能像才有鬼。
代码，就是那张嘴。
三、三个新能力，和几段演示
官方拿三个词概括这次的新东西。我按我的理解讲。
第一个，视觉即应用。
画面就是程序本体，底下没有另一套实现藏着。
官方举的例子是虚拟服装店：整个展厅就是界面。你传一张自己的照片当参考，把衬衫从货架上拽下来，往身上一拖，就试上了。想换个陈列，随手挪。
跟你在线下店里干的事，一模一样。
第二个，界面是活的。
因为每一帧都在被生成，所以它不是等你点了才动。
光变了，反射跟着变。东西被挪动，反应是连续的。
你可以张嘴就说：把桌子挪开点，我看看效果。或者：沙发换个颜色。
同一张起始画面，同一个拖拽动作，它甚至可以给出两种完全不同的反应。
第三个，开放式交互。
传统界面里，你能干什么，取决于开发那会儿有没有人想到你会这么干。
这套不一样：同一个场景，可以长出完全不同的玩法。
最骚的一段演示叫"重新定义鼠标"：点一下画面里的猫，你接下来点到哪，哪就带上猫毛的颜色和质感。点一下墙上那幅画，你就开始用那幅画的风格作画。
还有个做沙拉的例子：配料一样样往碗里拖，界面一样样跟着反应。
菜单？不需要菜单了。你直接跟场景本身打交道。
说实话，读到这里我脑子里第一反应是——这不就是把"软件"这个词，重新翻译了一遍么。
四、它是怎么把速度压下来的
这节稍微技术一点。不感兴趣可以直接跳到第五节，我不介意。
Solaris 是在他们的视频生成模型 Gen-4.5 上改的，路子接着通用世界模型 GWM-1 往下走。
要把一个视频模型，改成能实时交互的东西，官方自己列了三道坎：
- 速度
。延迟一超过半秒左右，交互感就没了。而视频扩散模型出一段片子，要几秒到几分钟。做内容够用，做界面差着数量级。 - 一致性
。界面得在整段会话里保持稳定，不是生成三秒钟就完事。偏偏文字、布局、物体身份这些，正是生成视频历来最容易崩的东西，而且误差会越滚越大。 - 成本
。每帧现生成，当然比伺候一个建好一次的页面贵。他们说，让它变实时的那套工作，同时也把运行成本压到了比标准视频扩散模型低几个数量级。
实时化分三步走：先让模型自回归地出帧，每一帧只依赖它前面的帧；再把原本几十步的去噪过程，蒸馏成寥寥几步；最后拿这个快模型自己吐出来的结果反过来训它自己，保证长时间交互画面不糊。
画质目标写得很具体：720p，而且要能扛住整段会话。
还有一个我认为最关键的设计：推理和渲染，是分开的。
一个语言模型负责想——用户这句话什么意思、这次交互是改当前场景还是干脆切走、这个世界里的东西该有什么行为，然后把提示词交下去。
世界模型负责画——把上面这些决定，变成下一帧。
一个决定"该发生什么"。一个决定"看起来怎么样"。
这个分工，很聪明。
五、数字：61% 对 24%
光讲故事没用，看数据。
他们让 Solaris 跟一个顶尖语言模型（官方点名 Claude Opus 5）打了一架。同一张起始图，同一批交互要求，各写各的答卷。
然后找来 250 个人，30 组交互例子，做了将近 7500 次两两对比打分。
问两个问题。
第一问：谁更听话，更贴给定的指令？Solaris 61%，代码那边 24%，13% 打平。
第二问：谁在这个场景里表现得更自然？Solaris 71%，代码那边 21%，6% 打平。
第二个数字，比第一个更值得琢磨。
代码通常也能把你要的改动做出来，但它把这次交互当成一次孤立的更新：改个属性，刷个状态，完事。
而世界模型里装着物体、材质、环境该怎么表现的常识，所以它的反应，是跟整个场景一起动的。
一个在改元素。一个在改世界。
差别就在这。
六、短板：UI 画得挺好，字写得一言难尽
夸完了，讲缺点。官方自己列了四条还没解决的，我一条条说，顺便吐槽。
第一，文字。
稳定、清晰的文字，一直是视频生成里最难啃的骨头之一。偏偏界面这东西，对文字的依赖比几乎任何视觉领域都重。
我给这个现象起了个名，叫界面幻觉：模型幻觉是编事实，界面幻觉是编字形。你界面画得再漂亮，按钮上五个字糊掉俩，用户照样一脸问号。
官方给的过渡方案是混合系统：文字多的画面交给图像模型渲染（允许你稍微顿一下），连续交互的部分交给视频模型。全实时地把字写清楚，仍然是没解的题。
翻译一下：字先别现场画，行不行= =
第二，可信度。
这条我认为是四条里最要命的。
在教学、电商这类场景里，模型编得越像真的，越危险。一个自信满满的错答案，杀伤力远大于一句"我不知道"。
现在的对策是靠起始帧兜底：用真实商品图、真实参考素材起头，把场景锚在真实存在的东西上。往后怎么接进更多可验证的上下文（参考图、商品数据、文档），官方说还在研究。
第三，长会话。
聊得越久越容易跑偏。这是整个行业的老毛病，不是它一家的。
第四，无障碍与系统集成。
这条特别现实，也特别少人提：生成出来的界面，屏幕阅读器读什么？
过去界面底下好歹有一层结构化的东西喂给辅助技术。现在整张画面都是当场画的，无障碍接口该抓哪儿？
灵活性不能拿可用性去换。这句我是真赞成。
再叠一次甲：以上全部来自官方公开材料，加我自己的判断。我没有早期访问，一帧都没测过。哪位拿到号了，欢迎来打我的脸。
七、对三种人，我的三个判断
写到这，你可能会说：那我这行是不是要完？
坦率的讲，没那么快。但方向值得盯着。
1. 前端工程师：短期没事，长期换赛道。
它现在连稳定的文字都渲染不利索，也还没公开可用。别慌。
值得留意的是另一件事：这条路线一旦跑通，前端最值钱的那部分，可能会从"把设计稿变成能跑的东西"，挪到"定义这个世界里什么算合法的行为"。
规则，会比像素值钱。
2. 产品经理：你的原型，可能不再是个假的。
以前原型就是一堆连线的静态图，你得反复解释"这里点了之后会怎样"。
以后原型也许一上来就是活的。省下来的那些解释成本，我猜会是这套东西最先落地的地方。
3. 设计师：这波是往你手里递东西的。
因为损耗那一环没了。你脑子里的东西，不必再被翻译一遍才动得起来。
前提当然是，这玩意儿真能跑起来。现在还没到那天。
顺便说一句我对"世界模型"这个词的意见：从生成视频，到生成游戏画面，再到今天生成界面，什么都能往这个筐里装。哪天有人说他家电饭煲搭载世界模型，我大概也就眨眨眼= =
概念先跑，产品后到。这行一直这样。
最后
我干过很多年研发，也做过很多年产品，见过太多次"这回真要变天了"。
大部分没变。少数几次，变了。
Solaris 现在还不是产品。它是一次押注：把界面从"事先写死的程序"，改成"当场生成的画面"。
可能成，也可能不成。
但它戳中的那个问题，是真问题——我们做了几十年软件，一直在把丰富的东西压扁，压成代码能表达的样子，然后假装没有损失。
当生成一帧的成本，趋近于渲染一帧的成本时，代码这层中间商，就会开始被绕开。
那天真来了，"界面"这个词也许会消失。剩下的，是你想干嘛。
把渲染交给模型。
把意图，留给人。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。