AI 视频的下一战：谁能让世界保持运行
作者丨Reah
编辑丨李娜 岑峰
大语言模型已经用 Scaling 证明，模型、数据和算力可以持续换来更强能力。那么，必须一边生成、一边回应用户的实时世界模型，能否也走上这样一条路？
2026 年 1 月，爱诗科技提出“通用实时世界模型”产品方向并推出 R1。目前，PixVerse R2 已全量上线，用户可直接在网页端体验动作指令和互动影游交互。
01 实时世界模型，能走上 LLM 的 Scaling 之路吗
过去几年，Scaling 最具确定性的成功故事来自大语言模型（LLM）。随着模型容量、训练数据和计算规模扩大，语言模型获得了更强的理解、推理与泛化能力，“越大越强”成为产业共识。
但若将此经验迁移到世界模型，问题则复杂得多。语言模型可集中计算后作答，而实时世界模型必须一边运行，一边接收用户的动作、文字和声音，同时持续输出连贯的音视频内容。
这形成了一组长期矛盾：实时要求模型快且高效，通用要求模型强且见多识广。能力提升会增加计算负担；若为速度压缩能力，体验又会局限于专项模型。
为什么实时世界模型不能简单复制 LLM 的 Scaling？PixVerse R2 给出的答案是：将能力与效率拆成两层推进。
R2 将五类增长纳入同一可扩展框架，使生成质量、长程一致性和多模态控制能够共同提升
02 一次生成，怎样变成一个持续运行的世界？
进入 PixVerse R2 实时生成的“冬日宫殿”世界，用户面对的是一个真实运行的环境。WASD 和方向键控制移动与视角，新指令可继续改变体验。用户始终留在同一世界，决定下一刻的发生。
技术报告的 Scaling 最终需回归产品检验：它能否让用户进入一个世界，而非仅仅在视频上叠加控制按钮？
通过分析会话的 HAR（浏览器网络活动飞行记录仪）记录，我们发现关键事实：客户端全程只观察到一次 session_init 和一次 generation_started。八轮推荐 Prompt 共享同一条内容流，所有操作均在同一条持续 session 中完成。
这意味着，八轮 Prompt 并非独立的视频任务，而是当前世界下一步变化的连续控制输入。一次生成不再以交付文件为终点，而是成为后续行动不断发生的环境。
多轮输入持续发生在同一产品会话；该数据反映客户端协议
在同一会话中，HAR 记录到 3,355 条结构化 action_frame，发送间隔中位数约 29.9 毫秒（约 33.4Hz）。用户操作时，客户端持续发送高频、低层控制流，而非偶尔触发的文字命令。
这对应着世界模型产品化的分水岭：传统 AI 视频的 Prompt 决定内容形态，而在持续世界里，Action 决定用户此刻的行为。当 Prompt 和 Action 进入同一运行过程，用户与模型的关系将从“提出要求、等待结果”变为“进入环境、持续行动”。
WASD 以高频结构化 Action 流进入实时会话，而不是被转写成一条文字 Prompt
语言与动作无需轮流占用世界。处理语义指令时，WASD 通道仍保持开放。两类输入可同时进入运行中的世界会话。这是“多模态控制”走向产品体验的关键，用户无需在动作和语言模式间反复切换。
Prompt 处理期间，Action 仍持续进入同一会话
延迟数据显示，Prompt 发出后 prompt_updated 中位耗时约 1.33 秒，prompt_generated 约 4.27 秒。这表明从接收、审核到世界流更新，R2 已建立起一套秒级 Prompt 协议链路。
R2 的 Prompt 响应分为多个协议阶段；1.33 秒是协议更新时间
初始化消息显示，“冬日宫殿”由首帧和 345 个字符的 world setting 启动。页面未播放预置底片，而是通过 pipeline=r2 返回持续生成的实时媒体。World 层已将控制信号与时间尺度 Scaling 外化为同一会话里的 Text、Action 和持续媒体。更多输入不再意味着割裂的生成任务，而是共同作用于一个运行中的世界。
Winter Palace 从首帧和世界设定启动，由 R2 pipeline 持续返回实时媒体
03 世界能力，怎样被组织成一段更长的叙事？
如果说“冬日宫殿”展示了“世界如何持续回应”，那么互动影游 Zero Mark 则展示了该能力“如何进入更长、更有结构的内容产品”。
两者分工明确：World 提供 WASD、镜头和 Prompt，强调自由移动与即时变化；Story 以结构化剧情和电影化演出组织长叙事。
HAR 确认两者采用不同 pipeline。Zero Mark 使用 director pipeline，维持了约 20 分钟的长 session，状态保持 ACTIVE，并出现多次媒体轨道分段切换与结构化剧情选择。
World 强调持续生成和低层控制，Story 强调长叙事的编排与节奏
Zero Mark 通过 Director 维持长叙事，在同一会话中结合结构化选择、实时媒体及预置的关键电影资产。这种分工让生成式内容更接近可稳定交付的互动产品。World 提供开放性，Director 负责将变化组织进剧情结构，关键资产确保重要演出的完成度。任务与时间尺度的 Scaling，体现为模型能力被组织进更长、更完整的互动叙事。
Zero Mark 以 Director 长会话组织关键电影资产、结构化选择与实时媒体
04 技术解法：R2 如何让能力与效率不再互相妥协？
PixVerse R2 上线后迅速登上 Twitter 热度总榜
过去多阶段路线往往在不同模型和训练目标间反复迁移，增加系统复杂度并折损已有能力。PixVerse R2 的答案是将能力与效率拆到两个层次分别推进：
Omni Causal AR（能力引擎）：负责抬高世界模型能力上限。将文字、参考图、声音和 Action 纳入统一的因果世界模型，通过 Dynamic Chunk、分层历史与对象状态机制及 Error Bank 等设计，持续吸收更多维度，做高能力上限。
Real-Time Acceleration（加速引擎）：负责将上游能力带回低延迟运行区间。通过同源蒸馏、稀疏计算和金字塔式少步生成，将生成、控制和长程能力完整带入实时区间，并试图将模型压缩至消费级单卡可实时运行的范围。
这就是从五层接力到两步直达：先穷尽能力边界，再攻克效率边界。让能力与效率分工，而非在质量和速度间做静态妥协。
R2 先扩展世界模型能力上限，再通过独立加速层将能力带入低延迟运行区间
PixVerse 为什么走向实时世界？
爱诗走向 R2，源于对问题的重新定义：如何让生成内容成为用户可进入、可行动的世界。R1 将生成视频转为持续交互，R2 将能力扩展与实时运行分层，同时解决了模型与产品问题。
PixVerse 拥有全球 1.5 亿用户，C 端和出海基因让实时世界模型更早进入真实使用场景，持续为迭代提供反馈。同时，爱诗积累了生成算法与大规模实时系统工程，将实时世界模型从研究能力转化为普通用户可直接体验的环境。
R2 同时面向普通用户、开发者和内容创作者开放
世界模型正在竞争什么？
世界模型正沿不同路线抬高能力边界：Genie 3 强调高分辨率与一致性；Decart Oasis 3 侧重低延迟与多视角；World Labs Marble 聚焦可编辑的显式 3D 世界等。
传统方案需在能力与效率曲线上寻找静态坐标。R2 通过 Omni Causal AR 与 Real-Time Acceleration，让能力和效率分别推进，使整条曲线具备向右上方移动的可能。其差异不仅来自新模型，更来自将模型、运行时和消费产品共同设计的路径。
更强的模型可能运行得更慢，更快的模型又可能只覆盖少量任务
当内容从文件变成 Session，生成式娱乐会怎样变化？
AI 视频的产品单位是文件：用户输入、等待、获得结果。实时世界模型的产品单位是 Session：用户进入、行动、世界持续回应。视频从最终目的变为共同经历的记录。
当内容单位从文件变为 Session，行业关注指标将发生变化：输入反馈延迟、状态维持时长、持续行动能力及多参与者支持等，将成为新的竞争变量。
一套生成式娱乐技术栈正逐渐清晰：World Model 提供生成与模拟能力，Agent/Director 维持叙事结构，Runtime 管理状态与实时反馈，Assets/Rules 守住内容完成度与安全性。基础模型决定上限，产品架构决定能力能否被稳定消费。
该图用于说明世界模型从能力走向内容产品所需的系统分工
未来，API 和创作工具将让游戏、互动影视等团队定义自己的世界。生成能力不仅减少素材制作，更让同一份内容面对不同用户时当场生长出不同过程。长远来看，世界模型有望从内容工具演变为生成式数字世界的基础设施。
05 R2 还没有解决什么？
目前，R2 并非完善的游戏引擎或完全开放世界。实测中，从点击 Explore 到首帧可见耗时约 7.86 秒；进入世界后，Prompt 更新中位耗时约 1.33 秒，完整生成耗时约 4.27 秒。首次进入与指令响应已成为两条可分别优化的链路。
从模型 Demo 走向大规模产品，下一阶段的考题将转向冷启动、资源调度、长会话稳定性和单位算力效率。Scaling 的意义在于让能力在真实约束中持续服务更多用户。
06 当一次生成不再结束，实时世界模型会走向哪里？
“冬日宫殿”证明 R2 将动作帧和指令组织进同一持续 session；Zero Mark 展示了 Director 如何为开放能力补上叙事结构。
PixVerse WASD 实时世界体验录屏
AI 视频是工具：输入、等待、得结果。实时世界模型是环境：进入、行动、世界回应。当这套能力沿统一架构吸收更多任务与时间尺度，它将成为下一代生成式数字世界的基础设施。
真正改变时代的技术，是找到一条可以持续变强的路。R1 让视频开始实时回应人，R2 让这个世界拥有继续变强的路径。越大越强不再是 LLM 的专利，世界模型也终于走到了自己的 Scaling 时刻。
