当前，实时世界模型在画面表现与控制精度上不断进步，但行业始终面临“能力越强，实时越难”的增长瓶颈。相比大语言模型（LLM），世界模型的能力沿稳定路径持续扩展也面临共性难题。
近日，爱诗科技发布全新实时世界模型 PixVerse R2，成功验证了“实时性”与“通用能力”可以兼得。该模型上线即冲上 X 平台热度总榜。
R2 将 LLM 的 Scaling 逻辑真正引入实时世界模型，基于统一可扩展的框架，将完整的时空关系压入模型，使场景能够沿时间持续演化，让世界“记得住”；同时统一文字、图像、声音与动作，实现边生成边响应、音画同步，让世界“控得动”。
从Scaling到能力预算，实时世界模型连撞两堵工程墙
实时世界模型的能力增长长期受限于两道技术工程门槛：
第一道门槛：视觉信息的统一表征难题。相比 LLM 中语言可被压缩为离散的 Token，图像和视频是连续、高维且高度冗余的信息形态。视觉领域长期缺乏一套紧凑、统一且可持续扩展的表征体系，导致视频模型难以沿单一稳定路径持续增长。
△ AI生成
第二道门槛：模型容量与实时计算预算的拉扯。维持实时生成每帧仅有几十毫秒计算窗口，而理解复杂物理关系与长程时空变化需要更大的模型容量。以 Google DeepMind Genie 2 为例，场景与物理能力的增强往往需要以蒸馏为代价，并牺牲部分画质与实时性。
△ Google DeepMind Genie 2报告
对实时世界模型而言，核心难点在于让通用能力与实时运行同时成立。
PixVerse R2：实时世界模型终于有了自己的增长曲线
PixVerse R2 的关键突破在于，将视觉、动作、音频、时序及控制信号统一纳入一套可持续扩展的因果建模框架，为复杂动态世界构建了一套类似语言 Token 的“统一计算坐标系”。
R2 将 Scaling 拆分为模型、数据、任务、控制信号和时间尺度五个协同增长的维度。任意维度的资源增加都能增益其他维度，使模型真正从“参数规模扩展”迈入“世界状态空间扩展”。
在实际体验中，R2 支持赛博世界探索、互动影游及实时数字人等场景。用户可通过键盘与 Prompt 实时控制视角、角色动作与剧情走向，画面生成丝滑无延迟，实时性、画质与交互控制均达到较高水准。
△ AI生成
能力先拉满，实时再追回来
R2 摒弃了传统的“在固定计算预算内做减法”的思路，采用“能力与实时分头强化”的技术架构：
1. Omni Causal AR（全因果自回归框架）负责拉高能力上限。将多模态信号统一进因果自回归框架，通过动态 Chunk 适配不同时间尺度，解决长程生成中的误差累积与状态断裂问题。
2. Real-Time Acceleration（实时加速层）负责保障实时性。将通用能力蒸馏进实时加速层，在维持世界理解逻辑的同时，将能力完整压进实时计算预算。
爱诗科技凭借长期服务亿级用户的实践，沉淀出这套“先放大能力、再单独解决实时效率”的技术路线。
未来，该架构的外溢价值将赋能内容生产、具身智能、虚拟人和游戏实时渲染等领域。在互动娱乐市场，剧情与场景将从预设的固定内容，转变为随用户行为动态演化的系统，推动数字世界迈向“内容不再被完成”的新纪元。