破解两难！PixVerse R2让实时世界模型鱼与熊掌兼得
如今，能够实时生成的数字世界模型已经能打造出越来越逼真的虚拟空间，画面质感不断提升，交互控制也愈发精细。但当这类模型走向实时生成赛道后，想要进一步提升能力就会遇到一个难以绕开的瓶颈：模型能力越强，维持实时生成的难度就越高，整个行业已经被“既要提升能力，又要保证实时性”的增长难题困扰许久。
更棘手的是，实时世界模型还要面对一类通用的底层难题，和大语言模型相比，它很难沿着稳定路径实现持续的能力升级。不过，这个困扰行业多年的痛点，如今已经有厂商通过实际模型完成了验证，给出了破解方案——实时性和通用能力，数字世界模型可以兼顾。
推出这款模型的企业相信不少用户都有所耳闻，它就是爱诗科技。今年1月，爱诗科技就发布了首款通用实时世界模型R1，主打持续生成能力，当时就在线上引发了广泛关注。而就在近期，全新的实时世界模型PixVerse R2正式上线，一经推出就登上了相关平台的热度总榜。
这一次，PixVerse R2真正将大语言模型中“持续扩容、提升能力”的Scaling逻辑，落地到了实时世界模型当中。基于统一可扩展的世界模型框架，R2将完整的时空关系融入模型，让虚拟场景能够随着时间持续演化，前后状态保持一致，让这个数字世界真正拥有了“记忆能力”。不仅如此，R2还将文字、图像、声音、动作等多种模态统一纳入模型架构，实现边生成边响应、音画同步，让虚拟世界真正可以被精准控制。
事实上，实时世界模型长期卡在能力增长环节并不让人意外，想要进一步提升模型能力，首先要突破两道技术硬门槛。第一道门槛是视觉世界建模中绕不开的表征难题：如何统一表示和建模各类信息？
和大语言模型相比，世界模型的先天条件并不友好。大语言模型的核心是语言，而语言天然具备信息形态上的优势，可以被压缩为离散、序列化的符号系统。每个词元都是边界清晰的语义单元，海量文本可以被统一为有限符号的排列组合，训练任务也可以高度归一为“预测下一个词元”，因此数据、参数和算力都能沿着同一套框架持续扩展，资源投入可以稳定转化为能力增长，这也是大语言模型能够充分释放Scaling潜力的底层基础。
但对于世界模型来说，这套逻辑却很难行得通。图像和视频属于连续、高维且高度冗余的信息形态，色彩、光影持续变化，单帧画面就包含海量视觉变量，相邻像素和视频帧之间还存在大量重复内容。除此之外，模型还需要从原始信号中进一步提取语义、状态变化乃至物理关系，信息结构远比文本复杂。因此，视觉领域长期缺乏一套类似文本词元那样紧凑、统一且可持续扩展的表征体系，视频模型想要沿着同一路径持续升级，难度要大得多。
而如果再加上“实时”这一要求，难度还会再上一个台阶，这就是实时世界模型需要面对的第二道门槛：模型容量和实时计算预算天然存在冲突。
想要维持稳定的实时生成，每留给模型的计算窗口往往只有几十毫秒，但世界模型如果想要理解更多场景、更复杂的物理关系和更长程的时空变化，就需要更大的模型容量、更复杂的建模逻辑和更多的计算资源。这也解释了为什么过去的世界模型扩展大多停留在局部能力层面：画质、时长、场景各自独立提升，却很难形成一条稳定统一的增长曲线。
这个两难问题已经被头部模型反复验证，比如2024年某头部科技企业推出的11B参数Genie模型已经能够生成可交互的虚拟环境，但到了Genie 2，虽然场景和物理能力得到了提升，实时性却更难兼顾，想要实现实时生成往往需要通过蒸馏技术，同时还要牺牲部分画质。也就是说，对于实时世界模型来说，真正的难点从来都不是单独把模型做大，或是单独把速度提快，而是让通用能力和实时运行同时成立。
想要同时实现实时性和通用能力的提升，首先要解决一个核心问题：如何让更多的数据、任务和交互信号持续融入同一套能力体系？
大语言模型能够持续Scaling的重要前提，是语言拥有相对统一的词元表示和序列建模方式，但实时世界模型面对的不仅有视觉信息，还有动作、音频、不同时长的时间尺度以及不断接入的各类控制信号。这些信息的数据形态、时间粒度和作用方式各不相同，想要让各项能力同步增长，首先需要将它们整合到一条统一的建模主线当中。
而PixVerse R2的关键突破之一，就是将视觉、动作、音频、时序以及各类控制信号，整合进了一套可持续扩展的因果建模框架当中。这里的Scaling不仅指模型参数量的扩大，还包括世界复杂度、交互控制力以及系统稳定性的提升。
当这些原本异构的信号被纳入统一的表示体系后，复杂动态的虚拟世界就有了一套类似语言词元的统一计算坐标系。这也触及了Scaling的底层问题：新增的数据、任务和交互经验，能否持续融入同一套能力体系并形成复利。
具体来说，R2将Scaling拆分为了五个协同增长的维度：模型规模决定基础容量，数据拓展虚拟世界的分布范围，任务强化跨场景迁移能力，控制信号提升交互精度，时间尺度则决定模型能够建模的动态过程时长和复杂度。任意一个维度增加资源，都能反向增益其他维度，让模型整体能力得到提升，而不必单纯依赖扩大参数量。
这也意味着，R2的能力扩展已经从单纯的参数规模升级，转向了对世界状态空间本身的拓展。传统的Scaling模式在后期往往会面临边际收益递减的问题，新增的算力和数据很难带来同比例的能力增长，而R2重构了世界模型的投入产出逻辑，让每一份新增资源都能拥有更多的能力出口，最终更充分地转化为模型的整体能力。对于普通用户来说，这意味着生成质量更高、长程状态一致性更稳定、跨场景泛化能力更强，多模态控制也更加精细。
空谈不如实证，我们可以通过实际体验来看看PixVerse R2的表现。和上一代R1相比，R2支持的玩法更加丰富，不仅可以在赛博世界中探索，还能体验互动影游和实时数字人场景。
比如我们可以进入一个奥德赛草原风格的虚拟世界，通过WASD按键自由调整视角和移动方向，同时通过Prompt指令控制角色动作和剧情走向，真正实现玩家、导演、编剧多重身份合一，多少有点三权合一那味儿了。实际体验下来，整个过程几乎没有卡顿和延迟，临场感十足，实时生成的流畅度非常出色。
我们还可以尝试互动影游场景，比如在魔法学院中体验魔法大乱斗。画面质感堪比院线大片，更让人惊喜的是，这个虚拟世界可以根据用户的指令实时改写。比如在Prompt框中输入想要使出的攻击魔法，画面就会顺着指令继续推进，真正实现了实时性、画面质量、交互能力和记忆能力的同步在线。这也让创作者可以将更多精力投入到虚拟世界的核心设计中，而不必纠结于单帧画面或固定剧情。
那么，PixVerse R2究竟是如何做到兼顾实时性和通用能力的？核心答案在于其对底层技术路径的重新拆分。
过去行业在设计实时生成的底层技术时，大多是在固定的计算预算内做减法。一旦帧率和延迟被锁定，单帧的算力预算也就基本见顶，行业往往只能通过缩小模型规模、减少采样量、压缩计算量的方式，将大型模型塞进毫秒级的计算窗口，这也会导致生成质量、复杂运动效果和长程一致性受到影响。
但R2的核心设计思路是让能力提升和实时优化分头进行。先将基础模型的能力上限拉高，再单独解决实时化问题，这样实时世界模型的能力天花板就不会过早被单帧计算预算限制，而是更多取决于底层模型本身能够学习到的世界规律。
这也是R2技术体系中Omni Causal AR和Real-Time Acceleration两层架构的分工：前者负责提升模型的能力上限，后者负责保障实时性。
对于想要持续Scaling的实时世界模型来说，另一个常见难题是随着模态、控制信号和时间尺度的增加，建模逻辑容易变得碎片化。因此Omni Causal AR首先将短视频、长视频、多模态参考、音频和动作控制等内容，统一纳入一套因果自回归框架当中。通过动态Chunk适配不同的时间尺度，再结合Hybrid Teacher/Diffusion Forcing、多时间尺度记忆和Error Bank技术，解决长程生成中的误差累积、角色漂移和状态断裂问题。这样一来，新增的数据、任务、控制信号和模型规模，都可以持续转化为更强的世界建模能力。
当基础模型的能力得到夯实后，Real-Time Acceleration就会接手第二阶段的工作：将这套通用能力直接蒸馏到实时加速层中。经过持续预训练，Omni Causal AR先将生成质量、长程状态和因果能力打磨扎实，再作为教师模型和学生模型的共同能力底座，让后续的蒸馏过程尽可能沿用同一套世界理解逻辑，将模型能力完整地压缩进实时计算预算当中。简单来说，就是先打造虚拟世界的“大脑”，再为这个大脑配备实时加速器，最终实现实时世界模型的落地。
事实上，爱诗科技能够率先在行业中跑出实时世界模型的落地方案，并非偶然。该企业长期服务亿级用户，需要面对高度分散的需求、持续变化的场景和无穷无尽的长尾需求，模型每天都会被用户以各种意想不到的方式“测试”。而世界模型最终需要解决的，恰恰也是这类问题：如何在持续变化、充满噪声、随时会被外部输入打断的环境中，维持状态、理解变化并推演下一刻的内容。因此，R2采用的先提升能力、再解决实时效率的技术路线，其实是长期产品实践和技术积累自然形成的架构选择。
更值得关注的是，这套架构一旦成熟，其外溢价值将远远超出视频生成领域。在未来，内容生产、具身智能、虚拟人、游戏实时渲染等多个领域，都将逐渐汇聚到同一种底层能力上：持续理解环境、维持状态，并根据外部输入实时生成下一刻的内容。
在互动式娱乐市场中，这种变化会更加明显。剧情、场景和角色不再是预先编写好的固定内容，而是会逐渐演变为可以随着用户行为持续展开、持续变化的动态系统。届时，创作者需要亲自定义的将不再是单帧画面或某一段固定资产，而是虚拟世界的运转规则、角色的行动逻辑以及底层的世界观。互动娱乐将真正进入“内容不再被完成”的时代，用户不再只是观看故事、操控角色、通关游戏，而是真正生活在一个会回应自己、记住自己、并因自身存在而改变的数字世界当中。
