達瓦科技世界模型拿下英偉達大獎

一張5090跑起34B實時世界模型，國產玩家拿下英偉達大獎！思邈 2026-10-23 17:03:37 來源：量子位 房間秒變草原，抬手就能下雪 允中 發自 凹非寺 量子位 | 公眾號QbitAI 一個從國內虛擬片場裡成長出來的實時世界模型，在NVIDIA的舞臺上拿了獎。10月15日，2026 NVIDIA創業企業展示半程展示在蘇州金雞湖舉行，來自重慶的達瓦科技憑藉實時世界模型產品Scenes AI拿下「半程展示卓越企業獎」。本屆賽事在全國辦了11場分站活動，580多家科創企業報名，最終30家NVIDIA初創加速計劃（Inception）會員進入半程展示。

和多數視頻模型比拼“下一幀像不像”不同，Scenes AI走的是另一條路： 不預測下一幀畫面，而是維護一個持續運行的世界狀態——場景、人物、相機、燈光、物體和物理，各自是一組可以單獨讀寫的變量。世界裡每發生一點變化，模型要做的不是把整段畫面重畫一遍，而是隻更新發生變化的那部分狀態，再把結果寫回世界，讓下一刻在此基礎上繼續演化。於是它要回答的問題也變了：不是“下一幀長什麼樣”，而是如果改變世界裡的一個變量，世界接下來會發生什麼？更關鍵的是，它的輸入不是遊戲引擎或代理畫面，而是一臺普通攝像頭拍到的真實空間。用達瓦自己的話說：A video is an output.

A world is a process.視頻是一個結果，世界是一個過程。先看效果：改掉一整個世界，也能只改一面牆 先來看最新一版Demo。左上角是攝像頭此刻拍到的真實房間：白牆、綠幕、一把鐵藝椅子、牆角一隻玩偶熊，一個人站在中間扶帽簷。大畫面是同一時刻的模型輸出：房間變成了一片手繪風格的夏日草原，人變成了戴黃色棒球帽的動畫少女，動作同步。細看會發現，變的只是外觀。椅子還在少女身後，小熊還坐在原來的“牆角”，右側深色櫃子的位置和透視都沒動，草地上甚至還隱約留著兩面牆交匯的折線。考點一：全局重渲染，結構不能亂。這一幀裡，唯一被改寫的變量，就是「畫風」。

人物動作、傢俱位置、遮擋關係和空間透視，全部被當作保持條件鎖住。模型得先認出人、椅子、玩偶和櫃子各是什麼，再在整屋換風格的同時把它們釘在原位，而且每一幀都要成立。考點二：局部改寫，還得記得住。同一場景裡，一個小朋友在牆上寫下“DW未來”，隨後抱起一隻玩偶跑出了畫面；男生起身，房間裡長出了樹，地上燃起一堆篝火；接著他又抬手控制天氣，屋裡先是飄雪，又下起了雨。一連串事件下來，人來了又走，場景里長出了新東西，天氣變了好幾輪，牆上那四個字始終還在，位置和筆畫都沒變。這考的是世界狀態有沒有被正確寫回、並且持續保持。

對逐幀生成的模型來說，畫面裡的變化越多，之前留下的細節越容易被“沖掉”，每一次重畫都可能把它悄悄改掉；而在Scenes AI裡，“牆上有字”在寫下的那一刻就成了世界狀態的一部分。之後無論發生什麼，只要沒有事件去改它，它就一直留在那裡。9月首發演示裡也是同一套邏輯：雪怪破土離開後，地上的坑一直留在原地；鐵藝椅子連續兩次被改寫成狼首鐵王座，主播還能坐回原位；窗簾下襬起火，緊挨著的玩偶和花盆沒有被波及。整套生成跑在本地一張RTX顯卡上，畫面右上角實時顯示幀率。

一條不一樣的路線：從“重畫下一幀”到“更新世界狀態” Demo背後，是達瓦對世界模型的一個基本判斷： 視頻生成已經足夠強大，但世界還沒有開始運行。主流視頻生成的交付物是“一段結果”：給一個提示詞，生成一段好看的視頻，然後結束。即便做成逐幀連續合成，關注的仍是“下一幀看起來像什麼”，身份、幾何、光照和物理上的誤差，會隨著時間一點點累積。達瓦給世界模型下的定義不一樣：改變一個狀態變量之後，世界為何變化、又將如何演化。

舉個最簡單的例子，輸入一句“把燈光變成夕陽”： 傳統視頻模型：重新生成一遍視頻，場景、人物、相機和物體都可能跟著漂移； Scenes AI：場景、人物、相機和物體被凍結為保持條件，只有“光照”這一個變量改變，再由新的世界狀態生成新畫面。達瓦把這套思路濃縮成一句話：修改一個變量，保留住整個世界。落到計算上，就是從“重畫下一幀”轉向“更新狀態增量 ΔS”——只更新發生變化的局部，其餘世界狀態保持穩定、可查詢、可預測。

按這個定義，一個持續運行的世界被拆成了五個部分： Persistent World = World Memory + Neural Physics + Sparse Diffusion + Neural Rendering + AI Lighting 即世界記憶、神經物理、稀疏擴散、神經渲染和AI光照。在達瓦看來，從生成一段視頻走到運行一個可交互的世界，有五道關必須同時過： 跨幀記憶、局部可控、物理與因果、實時計算效率，以及能解釋“世界為何這樣變化”的數據。用他們的話說，難點不是造一個更大的模型，而是狀態、控制、物理與算力必須同時成立。

後面要講的精準控制和實時渲染，正是這條路線在“控制”和“算力”兩道關上交出的答卷。技術架構：控制層做重，生成層做輕 把這條路線落成工程系統，達瓦的做法可以概括為一句話：控制層做重，生成層做輕。Scenes AI沒有把所有問題都交給一個大模型逐幀重畫，而是在“創作意圖”和“畫面生成”之間，加了一層以世界狀態為核心的控制系統，達瓦稱之為視頻生成的控制層。控制層：把連續視頻拆解為可查詢、可更新、可約束的狀態因子——場景與空間、角色與動作、相機與鏡頭、燈光與材質、資產與服化道、物理與時間；負責規劃行動、維護狀態、推演結果。渲染層：接收控制層下發的條件，只把需要變化的部分生成出來，再合成回畫面。

一條典型的運行鏈路是： 世界狀態 → 行動或接觸事件 → 狀態更新 → 局部生成與合成 → 結果寫回。還是拿前面那段“DW未來”的Demo來看： 小朋友在牆上寫字時，事件層識別出書寫動作和接觸位置，即牆面； 控制層據此更新世界狀態，把“牆上有字”記到牆面這個對象上； 隨後，場景中長出樹、燃起篝火、下雪又下雨，控制層只更新對應的場景元素和天氣變量，渲染層只生成樹、火焰、雪花和雨滴以及它們帶來的光影變化，牆面和字跡直接沿用已有表示； 雨雪這類天氣過程來了又走，屬於短時變化；牆上的字則作為持久狀態一直保留在世界裡，供後續鏡頭和交互繼續讀取。這裡有個關鍵區分：哪些變化是“瞬態”的，哪些是“持久”的。

前者交給渲染層處理完即可，後者必須進入世界狀態。Demo裡“坑還在”“字還在”，都是這一機制的外在表現。放到行業裡看，“狀態維護與視覺渲染分開”正逐漸成為實時世界模型的共識，分歧在於狀態從哪裡來。一種做法由上游引擎或程序顯式寫出規則和狀態，模型以參考畫面為接口做渲染，適合規則明確的遊戲與原型； Scenes AI面向的是真實拍攝和直播空間，世界狀態要由模型從攝像頭畫面裡解析出來，再持續維護、推演並寫回。精準控制：改一個變量，其餘全部保持 精準控制落在控制層，核心模塊是Latent Stage。一是變量解耦。

Latent Stage在潛空間裡把場景、人物、相機、光照、服裝、道具和物理拆成一個個獨立的“舞臺”，可以單獨演化，也可以聯合約束。每次編輯都有明確的“改動集”和“保持集”：改光照時，場景、人物和機位被鎖定；換服裝時，人物身份和身體動作繼續約束生成。截圖裡“畫風全換、傢俱不動”，就是改動集和保持集分得足夠乾淨的結果。二是非線性視頻矩陣。達瓦提出的非線性視角矩陣融合方法，把影像從“線性時間”變成“可編輯矩陣”：角色、環境、相機、光照、物體和運動被拆成可以重新組合的視覺要素，方便控制層理解鏡頭運動、融合真實與生成內容。

相關演示論文《NVD： Non-Linear View Matrix Fusion for 2D Video Using Multimodal Foundation Models》已被ACM UbiComp / ISWC 2026接收，並於10月13日在上海國際會議中心現場展示。該研究由達瓦AIGC研究院聯合香港理工大學、伊利諾伊大學厄巴納-香檳分校、紐卡斯爾大學共同完成。三是世界記憶。World Memory持久化緩存歷史狀態片段，為後續生成提供可查詢、可更新的上下文。鏡頭離開再回來時，模型讀取的是這塊區域的狀態記錄，而不是重新想象一面牆。

達瓦把長時序記憶看作當前最關鍵的挑戰，即身份、空間、物理與故事狀態都必須跨時間保持一致。如果沒有因果記憶，堆再多GPU也解決不了問題。四是物理約束。Neural Physics覆蓋剛體、布料、流體和粒子，圍繞碰撞與重力組織生成條件，決定火該燒到哪裡為止、布料該怎麼被推開；Neural Renderer再把幾何、材質和光照轉成畫面。物理狀態由此成為生成、訓練與評估的共同參照，而不是把視頻本身當作答案。在連續編輯測試中，Scenes AI的目標編輯成功率為98.2%，人物身份保持率為93.3%。實時渲染：把算力留給正在變化的世界 渲染層由實時生成模型LiveStage承擔。

它要解決的問題很具體： 在一張消費級顯卡的算力和顯存預算裡，讓畫面持續、低延遲地跟上真人。第一，稀疏擴散自迴歸。自迴歸負責沿時間持續演化，稀疏計算限定每一步的更新範圍，這意味著，模型預測的是狀態增量，而不是一整幅新畫面。基於對300多個真實商業拍攝項目數據的分析，達瓦發現，典型場景中每幀真正變化的區域只佔畫面的10%—20%。於是，牆面、地板等穩定區域通過潛空間緩存（Latent Cache）直接複用，算力集中給人物、面部、手部、布料、煙霧、光影和交互區域。第二，因果化稀疏微擴散。

渲染層接收控制層下發的一組條件，包括事件類型、位置、速度、強度、對象身份、材質和局部歷史，並只對變化區域做少步採樣，再把局部結果合成回持久的世界畫面。“因果化”意味著每一步只依賴已經發生的歷史，適合流式輸出； “微擴散”意味著每次只處理局部小區域，而不是整幅畫面。第三，稀疏激活。模型總參數 34B，每一步只激活約 4B，激活比約 11.8%。空間上的局部更新減少“要算多少”，模型內部的稀疏激活控制“每次用多少參數算”，以上共同構成了“大模型的容量，實時的計算路徑”這一特點。三者疊加的結果是：相較傳統視頻擴散方案，GPU消耗降低40%—60%，推理速度提升3—5倍。

當畫面需要整體切換，如截圖裡整屋變成草原，變化範圍遠超20%，系統會按變化範圍動態分配計算，局部編輯和全場景轉換共用同一條管線。最終，在單張NVIDIA GeForce RTX消費級顯卡上，Scenes AI實現了720P、25幀的實時輸出。底層算力：原生構建於NVIDIA技術棧。達瓦與NVIDIA的技術合作始於 2018 年，那一年達瓦購入了第一套NVIDIA DGX-1。今天，Scenes AI用CUDA做訓練與推理加速，用TensorRT做推理優化，用NVENC支撐實時視頻編碼輸出。

稀疏更新減少無效計算，Latent Cache利於顯存複用，分層架構也天然適配分層部署，這套機制本身就是圍繞GPU的並行計算與計算複用設計的。核心壁壘：不是Video Dataset，是State Dataset 路線想清楚了，真正難的是把它訓出來。達瓦的積累可以拆成三層。第一層：狀態數據 要學“世界怎麼變”，光有視頻不夠。互聯網視頻大多是剪輯後的成品，機位怎麼走、燈怎麼打、道具什麼時候被拿起，這些過程信息幾乎都被剪掉了，像素本身解釋不了世界為何這樣變化。達瓦的說法是：不是Video Dataset，是State Dataset。達瓦在重慶永川運營一座8.4萬平方米的全流程數字化科技片場。

過去5年，團隊從300多個真實商業項目中持續採集、標註和梳理數據，沉澱了約180TB結構化世界狀態數據，覆蓋相機軌跡、動作軌跡、對象狀態、光照狀態、物理狀態與敘事狀態六類核心維度。單場戲會做300多個維度的結構化標註，讓鏡頭、光學、空間、表演和動作對齊到同一條時間軸上。片場還天然集中了實時生成最難處理的長尾樣本：寬袖和裙襬隨動作形變，手與道具反覆接觸，多角色互相遮擋，攝影機在表演中連續運動，燈光變化同時作用於人物和環境。

真實數據之外，達瓦用NVIDIA Omniverse和PhysX搭建仿真場景，批量生成帶精確物理狀態的標註數據；用NVIDIA Cosmos在H200上生成冰淇淋融化、樹木生長、積雪消融等“過程型”數據。三類數據分工明確：真實拍攝提供分佈，仿真提供精確狀態，生成數據補齊覆蓋。

第二層：訓練路線 達瓦訓練的不是一個“視頻生成器”，而是一個持續演化的世界系統，整體分五個階段： 世界認知預訓練：180TB影視數據自監督學習，建立統一潛空間； 時空預測訓練：未來預測、視頻補全、狀態重建，學習時間演化而非連續視頻拼接； 專項能力訓練：局部稀疏微擴散、非線性視頻矩陣、神經渲染與神經物理等模塊分別專精； 聯合優化：多任務聯合訓練與課程學習，在共享潛空間中端到端優化； Agent驅動強化學習：導演、攝影、燈光、動畫等多智能體協同，持續優化鏡頭質量與場景一致性。第三層：生產閉環 達瓦本身就在做真實的影視和短劇生產。

客戶的修改、交互中的反饋、模型出錯的案例，會迴流成下一輪數據篩選、補採和訓練的入口，也就是說，模型在片場被檢驗，片場又反過來餵養模型。“我們每天都在拍真實的電影和短劇，每一次打光、每一次運鏡，都在告訴模型這個世界是如何運轉的。”達瓦科技聯合創始人陳亮表示，“世界模型的下一場競爭，屬於擁有真實世界過程的團隊。

” 從“生成一段結果”到“運行一個世界” 世界模型不應該是個懸浮的概念，落到具體應用上，這套路線對應著幾類明確的場景： 影視與短劇：導演在可控的場景下調整和轉化更多創意，把每一個靈感即時轉化為參數化的天氣、光照、服裝和環境方案； 直播與電商：把一個個的“格子直播間”變成真正的“場景直播間”，主播身處的空間隨商品和話題實時切換，在雪地裡賣雪地靴，在高山上賣徒步鞋； 文旅、遊戲與互動展示：內容不再是被單向觀看的對象，用戶可以直接進入真實空間，進行互動、改寫、延續。它們共享同一組要求：改動必須可控，輸出必須及時，成本必須可估算。

一張消費級顯卡、一臺本地主機即可運行，不依賴雲端算力，這才是從實驗室演示走向更接近實際部署的真實環境。“視頻生成已經足夠強大，但世界還沒有開始運行。一個視頻可以結束，一個世界必須持續運行。”在半程展示的路演上，達瓦科技首席產品官李宗興這樣概括Scenes AI的出發點。“NVIDIA為實時世界模型提供了堅實的計算底座。”他表示，“我們希望和NVIDIA生態一起，讓世界模型從實驗室走進真實生產，讓每一位創作者都能用一張顯卡，實時構建、改寫並走進一個持續運轉的世界。” △達瓦科技CPO李宗興半程展示路演照 回頭看達瓦這幾年的路徑，幾塊關鍵拼圖已經各就各位。數據有了，8.

4萬平方米片場、300多個真實項目、180TB世界狀態數據，而且還在持續積累； 模型跑通了，34B世界模型在一張消費級顯卡上實時運行，精準控制與實時渲染同時成立； 認可也來了，8月深圳站優秀企業，10月UbiComp論文亮相，同月拿下NVIDIA半程展示卓越企業獎。當行業的注意力開始從“生成一段視頻”轉向“運行一個世界”，這條從片場里長出來的路線，正在被越來越多的人看見。視頻會結束，世界不會。對Scenes AI來說，這個世界才剛剛開始運轉。*本文系量子位獲授權刊載，觀點僅為原作者所有。版權所有，未經授權不得以任何形式轉載及使用，違者必究。