邊看邊創(chuàng)造，在 PixVerse R1 的實(shí)時(shí)世界模型里，你真是上帝

作者 ｜ Yoky
郵箱 ｜ yokyliu@pingwest.com

想象一下，用一句話(huà)生成一個(gè)世界，一句話(huà)改變一個(gè)世界，一句話(huà)無(wú)限延伸一個(gè)世界。

1 月 13 日晚，愛(ài)詩(shī)科技正式發(fā)布 PixVerse R1，它是“全球首個(gè)通用實(shí)時(shí)世界模型”，支持最高 1080P 分辨率，基于原生多模態(tài)架構(gòu)、自回歸流式生成和瞬時(shí)響應(yīng)引擎構(gòu)建。

先別管它是不是真正的“世界模型”，重要的是它確實(shí)改變了視頻媒介的固有范式。過(guò)去視頻生成是單向的：輸入指令、等待結(jié)果、拿到成品。R1 把這個(gè)過(guò)程變成了實(shí)時(shí)對(duì)話(huà)：你說(shuō)一句，畫(huà)面就變一下，一直說(shuō)下去，視頻也就一直生成下去，沒(méi)有時(shí)長(zhǎng)限制。

有點(diǎn)前陣子 Gemini 發(fā)布生成式 UI 那味了：核心突破不是“更快”，而是交互方式變了。PixVerse R1 不是“更快的視頻生成工具”，而是試圖讓 AI 真正模擬一個(gè)持續(xù)運(yùn)轉(zhuǎn)、可以隨時(shí)介入的世界。

這極大拓寬了視頻生成的應(yīng)用場(chǎng)景。以前視頻生成最有價(jià)值的是最終成品，是剪輯之后的結(jié)果。現(xiàn)在生成過(guò)程本身就是一種交互體驗(yàn)，可以直接用在實(shí)時(shí)游戲、互動(dòng)劇情、甚至直播里。

真的假的？我們實(shí)測(cè)了一下，看看 Sora 畫(huà)了一年多的餅，PixVerse 是不是真的先做到了。

1

不用等，你就是上帝

R1 上線(xiàn)后，硅星人在第一時(shí)間對(duì)其進(jìn)行了測(cè)試，我們用一個(gè)經(jīng)典的故事，來(lái)看看它的理解和交互能力。

Prompt 設(shè)定是一個(gè)經(jīng)典的奇幻世界：浮空島嶼懸浮在金色黃昏的天空中，巨大的瀑布從島嶼邊緣傾瀉入云海，古老的石橋連接著各個(gè)島嶼，橋上爬滿(mǎn)發(fā)光的藤蔓。在這個(gè)世界里，我“操縱”了一條噴火的巨龍盤(pán)踞在最高的島嶼上，一位勇士要穿越重重險(xiǎn)阻，最終拔劍與龍搏斗，救出被囚禁的公主。

第一個(gè)讓我意外的地方是真的不用等。從輸入 Prompt 到畫(huà)面開(kāi)始流動(dòng)，體感上幾乎是即時(shí)的。按下生成，畫(huà)面就開(kāi)始隨著提示詞變化。用過(guò)其他視頻生成工具的人應(yīng)該知道，傳統(tǒng)流程是：輸入、等待、loading 轉(zhuǎn)圈、幾十秒甚至幾分鐘后出結(jié)果。R1 的體驗(yàn)完全不同，Prompt 和畫(huà)面之間幾乎沒(méi)有時(shí)間差，你還在構(gòu)思下一句的時(shí)候，上一句已經(jīng)變成畫(huà)面在播放了。這對(duì)于需要反復(fù)調(diào)試、快速迭代的創(chuàng)作流程來(lái)說(shuō)，體驗(yàn)提升是質(zhì)變級(jí)別的。

在長(zhǎng)時(shí)間的生成中我發(fā)現(xiàn)，即便沒(méi)有提示詞，R1 的生成也是連貫的。以前用視頻生成工具做長(zhǎng)內(nèi)容，本質(zhì)上是“拼片段”，每次只能生成 4 秒或 6 秒的片段，想講一個(gè)完整的故事，得自己手動(dòng)把十幾個(gè)片段剪到一起。問(wèn)題在于，片段和片段之間，模型沒(méi)有記憶。

R1 不一樣。我從勇士啟程、跨越石橋、對(duì)抗巨龍、救出公主，整個(gè)敘事是一條連續(xù)的流，不是碎片拼圖。生成的結(jié)果中鏡頭邏輯是通的：勇士沖向巨龍時(shí)，鏡頭跟著他的動(dòng)線(xiàn)推進(jìn)；拔劍的瞬間，切了一個(gè)劍身特寫(xiě)，然后再拉回全景。這種鏡頭語(yǔ)言不是我 Prompt 里寫(xiě)死的，是模型自己“理解”了敘事節(jié)奏之后做出的選擇。

第三個(gè)值得說(shuō)的是，理論上可以一直生成下去。傳統(tǒng)模型有一個(gè)硬傷叫“時(shí)長(zhǎng)上限”。4 秒就是 4 秒，6 秒就是 6 秒，想要更長(zhǎng)的內(nèi)容，只能靠接力和拼接，而且越往后生成，累積誤差越大，畫(huà)面崩得越厲害。R1 讓它擺脫了這個(gè)限制，測(cè)試的時(shí)候發(fā)現(xiàn)如果用戶(hù)不干預(yù)，它可以一直生成下去，故事從勇士救出公主，發(fā)展到兩人騎著飛行生物逃離巨龍的追擊，又演變成飛躍云海、抵達(dá)一座新的浮空城市，即便不給新的提示詞，它也會(huì)按照劇情一直生成下去，做到真正的“無(wú)限流”。

問(wèn)題主要集中在轉(zhuǎn)場(chǎng)和一致性上。

因?yàn)槲业?Prompt 寫(xiě)得比較籠統(tǒng)：只給了“勇士穿越石橋”“與龍搏斗”“救出公主”這些關(guān)鍵節(jié)點(diǎn)，沒(méi)有詳細(xì)描述中間的過(guò)渡：模型在處理細(xì)節(jié)切換時(shí)出現(xiàn)了一些生硬的跳接。比如勇士剛剛還在石橋上奔跑，下一秒直接出現(xiàn)在龍面前，中間的空間位移沒(méi)有任何交代。

另外，勇士在某些片段里會(huì)突然“變?nèi)恕保耙幻脒€是男性形象，下一秒莫名變成了公主；有時(shí)候人物會(huì)毫無(wú)征兆地憑空出現(xiàn)或突然消失，雖然不至于完全崩壞，但確實(shí)能感覺(jué)到模型對(duì)角色的“記憶”還不夠穩(wěn)固。

這些問(wèn)題加在一起，讓我意識(shí)到 R1 目前的“世界模型”更像是一個(gè)新的框架：大的敘事邏輯能跑通，但細(xì)節(jié)處的物理規(guī)則和角色鎖定還需要和真實(shí)世界的我們相互適應(yīng)。

總體來(lái)說(shuō)，PixVerse R1 在速度、敘事連貫性和時(shí)長(zhǎng)自由度上確實(shí)有突破，這三點(diǎn)加在一起，已經(jīng)能改變很多敘事方式了。但“世界模型”這個(gè)概念要真正落地，物理一致性和自動(dòng)化的敘事連貫性還需要繼續(xù)打磨。

1

PixVerse R1 是“真實(shí)時(shí)”嗎？

在此之前，市面上也有一些模型宣稱(chēng)“實(shí)時(shí)生成”，但大多數(shù)其實(shí)是“偽實(shí)時(shí)”，生成時(shí)間縮短到了人類(lèi)感知不太敏感的范圍，給人的體感像是實(shí)時(shí)，但本質(zhì)上還是“先渲染、后播放”。你看到畫(huà)面的時(shí)候，計(jì)算早就跑完了，只是等待時(shí)間短到你沒(méi)注意而已。

R1 究竟是不是真實(shí)時(shí)，要看的不僅是它的效果，更是它的架構(gòu)。

打個(gè)比方。偽實(shí)時(shí)像視頻網(wǎng)站的預(yù)加載，提前緩沖了 10 秒，所以你感覺(jué)沒(méi)有卡頓，但跳到?jīng)]緩沖的地方就得等。“真實(shí)時(shí)”是直播：畫(huà)面是當(dāng)下正在發(fā)生的，不存在“提前渲染好”這回事。對(duì)應(yīng)到視頻生成：偽實(shí)時(shí)是“算得快”，真實(shí)時(shí)是“邊算邊出”。前者你沒(méi)法在生成過(guò)程中插嘴，后者你可以隨時(shí)喊停、隨時(shí)改指令，畫(huà)面即時(shí)響應(yīng)。

R1 屬于后者。它的架構(gòu)從底層就是為“流式交互”設(shè)計(jì)的，不是在傳統(tǒng)架構(gòu)上做加速，而是換了一套邏輯。

傳統(tǒng)的多模態(tài)模型，其實(shí)是“拼裝”出來(lái)的，文字走一個(gè)模型，圖片走另一個(gè)模型，音頻再走一個(gè)，最后把結(jié)果拼到一起。各個(gè)模塊之間沒(méi)有真正打通。你讓它生成“一只貓?zhí)洗芭_(tái)，窗外下著雨”，它可能貓畫(huà)得不錯(cuò)，雨也畫(huà)得不錯(cuò)，但貓毛有沒(méi)有被雨淋濕、窗臺(tái)上有沒(méi)有雨水濺落這些細(xì)節(jié)，它顧不上，因?yàn)樗欠珠_(kāi)處理的。

R1 用的是 Omni 原生多模態(tài)架構(gòu)。什么叫原生？就是從一開(kāi)始，文字、圖片、音頻、視頻就在同一個(gè)架構(gòu)里訓(xùn)練，用同一套“語(yǔ)言”處理。模型看到的不是“文字+圖片+聲音”的拼盤(pán)，而是一條統(tǒng)一的 Token 流。這樣它才能真正理解：下雨天的貓，毛發(fā)應(yīng)該是濕的，窗臺(tái)應(yīng)該有水漬，雨聲應(yīng)該和畫(huà)面同步。

R1 所采用的自回歸流式生成，意味著模型生成下一幀的時(shí)候，會(huì)參考前面已經(jīng)生成的內(nèi)容。更關(guān)鍵的是它有“長(zhǎng)期記憶”，不只是記住上一幀，而是能記住幾十秒甚至幾分鐘前的信息。這就是為什么 R1 可以生成理論上無(wú)限長(zhǎng)的視頻，而且角色形象和場(chǎng)景邏輯大體上能保持一致。這是實(shí)時(shí)交互的基礎(chǔ)，只有生成是連續(xù)的、有記憶的，你中途插入的指令才能被接住，而不是讓整個(gè)畫(huà)面從頭再來(lái)。

前面兩點(diǎn)解決的是“能不能”的問(wèn)題，但還沒(méi)解決“快不快”。就算模型聽(tīng)懂了、記住了，如果每幀還是要算 50 步，那還是快不起來(lái)。

R1 的做法很激進(jìn)：直接把采樣步數(shù)壓縮到 1 到 4 步。

怎么做到的？簡(jiǎn)單說(shuō)就是砍彎路、加引導(dǎo)、動(dòng)態(tài)調(diào)配。把原來(lái)必須走的冗余計(jì)算砍掉，只保留最關(guān)鍵的節(jié)點(diǎn)；在極少步數(shù)里通過(guò)額外引導(dǎo)保證畫(huà)面質(zhì)量不崩；根據(jù)畫(huà)面內(nèi)容動(dòng)態(tài)調(diào)整計(jì)算量：簡(jiǎn)單的地方少算，復(fù)雜的地方多算。

原生多模態(tài)讓它聽(tīng)懂你要什么，自回歸讓它記住前面發(fā)生了什么，極致壓縮的采樣讓這一切發(fā)生在“此刻”而不是“稍后”。

至于 R1 是不是“世界模型”？

它確實(shí)做到了實(shí)時(shí)、連貫、可交互。這不只是技術(shù)指標(biāo)的提升，更是通向“世界模型”的關(guān)鍵躍遷。視頻，作為對(duì)人類(lèi)影響最大的媒介形態(tài)，正在成為 AI 理解物理規(guī)律、推演因果關(guān)系鏈條、應(yīng)對(duì)開(kāi)放場(chǎng)景的最前沿。真正的“世界模型”，可能將是人類(lèi)想象力與機(jī)器智能共同演化的場(chǎng)域。PixVerse R1 只是實(shí)時(shí)（Real-time）媒介形態(tài)的一個(gè)起點(diǎn)，它第一次讓億萬(wàn)觀(guān)眾站在了這個(gè)世界的新入口：可以看，更能參與創(chuàng)造。

但方向比完美更重要。

Sora 讓大家相信 AI 能生成視頻，PixVerse 讓大家相信 AI 生成的世界可以通過(guò)視覺(jué)交互。這是兩件不同的事，后者可能才是通往真正“世界模型”的路。

點(diǎn)個(gè)“愛(ài)心”，再走 吧