Model generuje interfejs autoregresyjnie, klatka po klatce, gdzie każda klatka zależy tylko od poprzednich. Wejście użytkownika (kliknięcia, przeciągnięcia) jest traktowane jako warunkowanie kolejnej klatki, tak samo jak tekst czy obraz. W Solaris zastosowano podejście hybrydowe: model językowy (LLM) interpretuje żądania użytkownika i decyduje, jak interfejs ma ewoluować, a model świata odpowiada za samo generowanie warstwy wizualnej. Renderowanie musi być na tyle tanie, by nadążać za użytkownikiem — interakcje przestają być odczuwane jako interaktywne przy opóźnieniu rzędu pół sekundy.
Tradycyjne interfejsy wymagają konwersji projektu wizualnego na pośredni kod, a interakcje traktują jako izolowane aktualizacje stanu. IWM eliminuje warstwę kodu i renderuje interfejs bezpośrednio, zachowując spójność sceny, bo model rozumie, jak zachowują się obiekty, materiały i otoczenie.
Generuje warstwę interfejsu klatka po klatce; każda klatka zależy wyłącznie od poprzednich.
LLM interpretuje żądania użytkownika i decyduje, jak interfejs ma ewoluować.
Kliknięcia, przeciągnięcia i inne interakcje są używane jako sygnał warunkujący kolejną klatkę.
Stabilny, czytelny tekst pozostaje jednym z najtrudniejszych problemów w generowaniu wideo.
Generowane odpowiedzi mogą być przekonujące, a jednocześnie niepoprawne.
Spójność degraduje się podczas rozszerzonych, otwartych interakcji.
Integracja z czytnikami ekranu i API dostępności pozostaje nierozwiązana.
31 sierpnia 2026 Runway ogłasza Solaris jako pierwszy model nowej rodziny Interface World Models.
Solaris celuje w jakość wizualną utrzymaną w 720p.
Interakcje przestają być odczuwane jako interaktywne przy opóźnieniu rzędu pół sekundy.
Każda klatka jest generowana warunkowo względem poprzednich klatek oraz wejścia użytkownika.
Generacja jest autoregresyjna — klatka zależy od poprzednich, co wymusza sekwencyjność w czasie inferencji.
