京东开源团队发布了 JoyAI-Echo 项目，推出全模态世界模型 EchoWM。该模型能够沿着连续的 6 自由度（6-DoF）相机轨迹运动，同时生成 720p 视频、环境声、音乐与语音，突破了传统世界模型以视觉为中心的局限。EchoWM 支持第一人称和第三人称交互视角，并采用渐进式加自回归的训练策略，实现了同步的长时域音视频生成。这一技术路线为空间智能、具身智能训练环境构建、游戏与影视内容自动化生产提供了新的基础能力。开源发布降低了长时域音视频联合建模的复现门槛，有望推动行业从单一模态生成走向全模态世界模拟。