實時世界模型進入“全科生”階段，PixVerse R2先交卷！

畫面更夯，控制更細，但一旦走到實時生成這一步，繼續往上做能力，就會有個很難繞開的坎： 能力越強，實時越難守，整個行業也因此苦既要又要的增長難題久矣。更麻煩的是，實時世界模型還得面對世界模型的共性難題，相比LLM，能力想沿著穩定路徑持續增長也沒那麼容易。然而，這個困擾行業多年的實時世界模型的老bug，如今，已經有廠商用實際模型完成驗證並跑出了答案—— 實時性和通用能力，世界模型可以全都要。這個玩家的名字大家應該不陌生：愛詩科技。其實今年1月的時候，愛詩就發佈了首個通用實時世界模型R1，主打持續生成能力，當時直接在網上火出圈了一波。就在這兩天，全新的實時世界模型PixVerse R2，也上線了。

甚至一經上線，模型就直接衝到了X平臺的熱度總榜—— 這回，R2直接把LLM裡那套規模繼續加、能力繼續漲的Scaling邏輯，真正搬進實時世界模型裡。基於統一可擴展的世界模型框架，R2把完整的時空關係壓進模型，讓場景能夠沿著時間持續演化，前後狀態保持一致，讓這個世界真正「記得住」。不僅如此，R2還把文字、圖像、聲音、動作統一進模型，邊生成邊響應、音畫同步，讓世界真正「控得動」。比如下面這個探險世界，用戶不僅可以控制方向，還能基於Prompt控制場景角色，而且畫面是實時生成的內種： 文章鏈接： https://mp.weixin.qq.

com/s/h-YfJ-3Vd1rKuwgsZtbhQA 當然，腦洞完全可以再大一點，比如遊戲劇情也能DIY，一句指令就能改變眼前世界，世界劇情真·隨意拿捏了： 文章鏈接： https://mp.weixin.qq.com/s/h-YfJ-3Vd1rKuwgsZtbhQA 過去實時世界模型最大的難題之一，就是能力一旦往上堆，速度、穩定性和交互性往往也開始彼此拉扯。當實時和通用能力同時成立，世界模型的能力邊界和使用邊界也會一起外擴，逐漸進入遊戲、虛擬交互等場景。一種新的數字世界底座，這回，開始有了成形的可能。

從Scaling到能力預算，實時世界模型連撞兩堵工程牆 說實話，還真不能怪實時世界模型這麼多年一直卡在能力增長這件事上。主要在於，實時世界模型想把能力繼續往上做，前面先橫著技術工程上的兩道「硬門檻」。其中第一道門檻，便是整個視覺世界建模都繞不開的一道表徵難題：「信息」到底該怎麼被統一表示和建模？雖同樣都隸屬模型大類，世界模型在這件事上的先天條件，其實真沒LLM那麼友好。。。LLM裡的第二個L，就是Language（語言）。好巧不巧的是，語言其實在信息形態上天然就佔了便宜，因為它可以被壓縮成一套離散、序列化的符號系統。

在這套體系下，每個Token都是邊界清晰的語義單元，海量文本都可以被統一成有限符號的排列組合，訓練任務也被高度歸一為「預測下一個Token」。於是，數據、參數和算力都能沿著同一套框架持續擴展，資源投入也更容易穩定轉化為能力增長，這正是LLM能夠充分釋放Scaling潛力的底層前提。但扎心的是，到了世界模型這裡，這套邏輯就沒那麼順了。（doge） 因為圖像和視頻是一種連續、高維且高度冗餘的信息形態，色彩、光影連續變化，單個畫面就包含海量視覺變量，相鄰像素和視頻幀之間又存在大量重複。此外，模型還得從這些原始信號中進一步抽取語義、狀態變化乃至物理關係，信息結構遠比文本複雜。

也因此，視覺領域長期缺少一套像文本Token那樣緊湊、統一、可持續擴展的表徵體系，視頻模型想沿著同一條路徑持續增長，天然要難得多。△AI生成 當然了，這還只是第一層難題。因為一旦再加上實時兩個字，難度還會再高一檔，這也是實時世界模型面對的第二層門檻： 模型容量和實時計算預算天然互相拉扯。想維持穩定實時生成，每一幀留給模型的計算窗口可能只有幾十毫秒，可世界模型想理解更多場景、更復雜的物理關係和更長程的時空變化，又需要更大的模型容量、更復雜的建模，以及更多計算。這也解釋了為什麼，過去世界模型的擴展更多停留在局部能力上—— 畫質、時長、場景各自往前猛堆，卻很難匯成一條穩定、統一的增長曲線。

這個兩難問題，甚至早已被頭部模型反覆驗證。2024年，Google DeepMind 11B參數的Genie已經能生成可交互環境，但到了Genie 2，場景和物理能力繼續增強，實時性卻更難兼顧，想跑到實時往往需要以蒸餾為代價，同時還要犧牲部分畫質。換句話說，對實時世界模型而言，真正難的從來都不是單獨把模型做大，或者單獨把速度做快，而是讓通用能力和實時運行能夠同時成立。△Google DeepMind Genie 2報告 PixVerse R2：實時世界模型終於有了自己的增長曲線 所以說到這兒，實時世界模型碰到的難題就很清楚了。

想把實時性和通用能力一起做上去，先得解決一個底層問題——更多數據、任務和交互信號，怎麼持續進入同一套能力體系。前面我們說過，LLM能夠持續Scaling，一個重要前提，就是語言本身擁有相對統一的Token表示和序列建模方式。但對於實時世界模型來說，模型面對的不只有視覺，還包括動作、音頻、長短不一的時間尺度，以及不斷進入的各種控制信號！！這些信息的數據形態、時間粒度和作用方式都不一樣，想讓這些能力繼續一起增長，首先就得把它們收進一條統一的建模主線裡。而PixVerse R2這次做的一件關鍵的事—— 便是把視覺、動作、音頻、時序以及不同控制信號，放進同一套可持續擴展的因果建模框架。

需要提一嘴的是，這裡的Scaling可不單單指的是模型大小，還包括世界複雜度、控制力，以及怎麼穩定運行～ 更關鍵的是，當這些原本異構的信號開始被放進同一種表示體系裡，複雜動態的世界也就有機會擁有一套類似語言Token的統一計算座標系。而這觸及的也是Scaling最底層的問題—— 新增的數據、任務和交互經驗，能不能持續沉澱進同一個能力體系，並形成複利。具體來說，R2把Scaling拆成了模型、數據、任務、控制信號和時間尺度五個彼此「協同增長」的維度。模型規模決定容量，數據拓寬世界分佈，任務強化跨場景遷移，控制信號增加交互精度，時間尺度則決定模型能把多長、多複雜的動態過程納入建模。

任意一個維度增加資源，都能反過來增益其他維度，模型的整體能力就會上漲，不依賴單純擴大參數量。這也就意味著R2真正擴展的，已經開始從參數規模進入世界狀態空間本身。其實傳統Scaling走到後期，一個越來越現實的問題，就是資源繼續往上堆積，能力增益卻未必還能同比例增長，新增算力和數據的邊際收益開始變薄。反觀R2做的事情，更像是在世界模型身上重做投入產出邏輯，讓每一份新增資源都擁有更多能力出口，最終更充分地沉澱為整體模型能力。

落到咱用戶真實體驗上，就是生成質量更高、長程一致性更穩、跨場景泛化更強，多模態控制也更細～ △AI生成 當然了，多說無益，這實時世界模型R2到底能不能打，我們直接看實際效果～ 先插一句，這次R2相比上一代R1，能玩的東西明顯更多了。就比如我們不僅能在賽博世界中玩耍，甚至還能體驗互動影遊和實時數字人。先來個小試牛刀，前陣子剛看完《奧德賽》，於是我索性一頭扎進了一個奧德賽草原風格的世界裡，現場勇闖一下： 真別說，多少有點玩家、導演、編劇三權合一內味兒了～（doge） 文章鏈接： https://mp.weixin.qq.

com/s/h-YfJ-3Vd1rKuwgsZtbhQA WASD一按，視角和方向隨便轉動，Prompt一敲，角色動作、劇情走向也能直接改，可控性確實不錯。最重要的是，實際體驗下來，幾乎沒有卡頓和延時問題，實際在場感確實強，實時性也確實絲滑。接下來我們再上一波難度，直接玩一把互動影遊，體驗一把在魔法學院裡魔法大亂鬥： 文章鏈接： https://mp.weixin.qq.

com/s/h-YfJ-3Vd1rKuwgsZtbhQA 說實話，光看畫面，還真有種穿越哈利波特電影裡的感覺，確實蠻有大片感，畫面質量過關～ 但我最想說的，還不是畫質，大家有沒有發現，在這個互動影遊裡，眼前的世界是可以被你臨時改寫的。比如直接在Prompt框裡輸入想使出的攻擊魔法，下一秒畫面就會順著你的指令繼續往下演，確實有點爽。。。一段內容生成出來，實時性、畫面、交互、記憶這些能力都能同時在線。省下來的時間和精力，終於可以花在一件更重要的事上——到底想創造一個什麼樣的世界。能力先拉滿，實時再追回來 當然，問題也來了，R2到底是如何做到「實時」和「通用」能力既要又要的？

核心的答案，其實藏在其對底層技術路徑的重新拆分上。過去行業做實時生成底層技術設計，其實大多是在一筆固定的計算預算裡「做減法」。幀率和延遲一旦鎖定，單幀算力預算也基本見頂。行業往往只能靠縮模型、減採樣、壓計算，把重模型塞進毫秒級窗口，生成質量、複雜運動和長程一致性也會隨之受損。但R2的一個關鍵技術設計思路是：讓能力和實時分頭強化。先把基礎模型的能力上限做高，再解決實時化，這樣實時世界模型的天花板就不會過早被單幀計算預算鎖死，而更多取決於底層模型本身能學到多少世界規律。

這也是R2整個技術體系裡，Omni Causal AR和Real-Time Acceleration兩層架構真正的分工，前者管能力上限，後者管實時性。對於想持續Scaling的實時世界模型來說，一大難題在於模態、控制信號和時間尺度越加越多，建模很容易越做越碎。所以第一步，Omni Causal AR先把短視頻、長視頻、多模態參考、音頻和Action控制，統一進一套因果自迴歸框架—— 通過動態Chunk適配不同時間尺度，再用Hybrid Teacher/Diffusion Forcing、多時間尺度記憶和Error Bank解決長程生成中的誤差累積、角色漂移和狀態斷裂問題。

這樣一來，新增數據、任務、控制信號和模型規模，都可以持續轉化為更強的世界建模能力～ 這邊能力先做高之後，Real-Time Acceleration再接手第二道題—— 把這套通用能力直接蒸餾進實時加速層。持續預訓練後，Omni Causal AR先把生成質量、長程狀態和因果能力做紮實，再作為Teacher和Student共同的能力底座，讓後續蒸餾儘可能沿用同一套世界理解邏輯，把這套能力更完整地壓進實時預算裡。先造大腦，再給大腦做實時加速器，實時世界模型，這事兒成了。說實話，愛詩能把實時世界模型在行業裡率先跑出來，算不上太偶然。

長期面對億級用戶，意味著這家公司面對的一直都是真實世界裡最難處理的那部分： 需求高度分散、場景持續變化、長尾永遠收不完，模型每天都在被用戶用各種意想不到的方式重新「考試」。而世界模型最終要面對的，恰恰也是同一類問題：如何在一個持續變化、充滿噪聲、隨時會被外部輸入打斷的環境裡，維持狀態、理解變化，並繼續推演下一刻。R2這種先放大能力、再單獨解決實時效率的路線，也更像是長期產品實踐和技術積累自然形成的一種架構選擇。當然了，更值得注意的是，這套架構一旦成立，它的外溢價值就很難只停留在視頻生成層面。

在未來，內容生產、具身智能、虛擬人、遊戲實時渲染，都可能逐漸匯向同一種底層能力： 持續理解環境、維持狀態，並根據外部輸入實時生成下一瞬間。甚至在互動式娛樂市場這個生態場景裡，這種變化可能會更明顯。劇情、場景和角色不再只是預先寫好的固定內容，其會逐漸變成可以隨著用戶行為持續展開、持續變化的動態系統。到那時創作者需要親自定義的，也許會越來越少是某一幀、某一段資產，而越來越多地轉向一個世界如何運轉、角色如何行動，以及規則本身。由此，互動娛樂真正進入的，可能是一個「內容不再被完成」的時代。我們不再只是觀看故事、操控角色、通關世界。

我們開始真正生活在一個會回應你、記住你，並因為你的存在而改變的數字世界裡。版權所有，未經授權不得以任何形式轉載及使用，違者必究。