通用級(jí)PixVerse R1的技術(shù)突破，揣著進(jìn)入平行世界的密碼

編輯｜冷貓、+0

原來(lái)，視頻生成卷到極致，就是突破大腦和視覺的邊界，讓想象力進(jìn)入 AI 構(gòu)建的虛擬空間。

昨天，PixVerse R1突然上線。一開始我們以為這只是一次普通的版本更新，但那種「即時(shí)響應(yīng)、即看即創(chuàng)」的全新交互體驗(yàn)，卻是前所未有的。讀完技術(shù)報(bào)告我們發(fā)現(xiàn)，這不僅僅是一次卷到極致的性能提升，更是量變帶來(lái)的質(zhì)變。

回顧過去，23 年推出第一版模型，隨后 Web 端、移動(dòng)端全面鋪開，愛詩(shī)科技在 DiT 路線上一路狂奔：從 24 年底的 10 秒生成，到 25 年 2 月實(shí)現(xiàn) 5 秒生成社交級(jí)視頻，再到 11 月將 1080P 視頻生成壓縮至 30 秒。在自研模型技術(shù)和工程化落地的思想下，PixVerse 確實(shí)將「?jìng)鹘y(tǒng)視頻生成」的速度推向了極限。

與此同時(shí)，行業(yè)加速?gòu)奈赐Ｐ?。就在上個(gè)月，生數(shù)科技宣布其與清華大學(xué)團(tuán)隊(duì)研發(fā)的 TurboDiffusion 框架，也讓視頻生成正式邁入「秒級(jí)」門檻。

但時(shí)間上的「卷」就是視頻生成的全部嗎？

顯然，再快的速度，如果不能生產(chǎn)出符合制作需求的畫質(zhì)和一致性，依然無(wú)法成為通用的標(biāo)準(zhǔn)。

PixVerse 曾是業(yè)界第一個(gè)把 5 秒視頻生成做到 5 秒之內(nèi)的團(tuán)隊(duì)，而當(dāng)一切看似達(dá)到極限時(shí)，在 2026 年開年，PixVerse R1 模型與產(chǎn)品同步橫空出世。

通過將計(jì)算效率提升數(shù)百倍，它不再局限于「秒級(jí)」，而是做到了人類肉眼感知范圍內(nèi)的「實(shí)時(shí)」生成。發(fā)布即實(shí)裝，這是一款真正的「通用」實(shí)時(shí)世界模型。這已不僅是單點(diǎn)的技術(shù)突破，而是一步到位、直接實(shí)現(xiàn)應(yīng)用層級(jí)質(zhì)變的代際跨越。

以下，我們將通過技術(shù)報(bào)告，為您詳細(xì)解析 R1 的這次突破。

文中視頻鏈接：https://mp.weixin.qq.com/s/LybgC6RD9cu0kJyGbTJlog

看了這個(gè)視頻，大家或許理解了什么是「無(wú)限內(nèi)容」的視頻生成。

在這個(gè)模型創(chuàng)造的世界里，「漢語(yǔ)竟是上古禁咒」，你只要說出「春」即刻綠草如茵，說出「鳥」即刻飛鳥成群。一切都是如此連續(xù)，直白，世界實(shí)時(shí)響應(yīng)你的呼喚，時(shí)間和空間都在你的掌控之中?；蛟S，PixVerse R1 已經(jīng)徹底掌握了「無(wú)限流」的真諦。

簡(jiǎn)單來(lái)說，PixVerse R1 是全球首個(gè)支持最高 1080P 分辨率通用實(shí)時(shí)世界模型。

這也是第一次，AI 可以基于用戶的意圖實(shí)時(shí)生成一個(gè)持續(xù)演化、物理上合理的世界，標(biāo)志著視頻生成正式從「靜態(tài)輸出」邁入「實(shí)時(shí)交互」的全新階段。

回顧視頻生成技術(shù)的發(fā)展路徑，行業(yè)始終受困于速度、質(zhì)量與成本的不可能三角：高畫質(zhì)往往意味著高延遲（如傳統(tǒng)擴(kuò)散模型），而追求速度又不得不犧牲物理一致性。PixVerse R1 沒有盲目追求參數(shù)軍備競(jìng)賽，而是找到了一條通往「通用」的平衡之路：

當(dāng)一個(gè)模型首先做到了打破物理極限的實(shí)時(shí)響應(yīng)（IRE），并以此為基礎(chǔ)結(jié)合了通用全模態(tài)（Omni）與長(zhǎng)時(shí)序世界模擬（自回歸），它就已經(jīng)超越了傳統(tǒng)意義上的視頻生成工具。

• 技術(shù)博客鏈接：https://pixverse.ai/en/blog/pixverse-r1-next-generation-real-time-world-model

交互的物理極限：

瞬時(shí)響應(yīng)引擎（IRE）

在通往通用世界模型的路徑上，「實(shí)時(shí)性」始終是阻礙技術(shù)從實(shí)驗(yàn)室走向大規(guī)模應(yīng)用的核心工程障礙。

傳統(tǒng)擴(kuò)散模型的生成邏輯本質(zhì)上是一種精細(xì)的迭代去噪過程，通常需要 50 步甚至更多的采樣步驟，才能將高斯噪聲轉(zhuǎn)化為清晰的視覺內(nèi)容。這種機(jī)制雖然在一定程度上保證了生成質(zhì)量，但其帶來(lái)的秒級(jí)甚至分鐘級(jí)的高延遲，使得 AI 視頻生成長(zhǎng)期停留在「離線制作、預(yù)錄制回放」的階段，無(wú)法滿足即時(shí)交互的嚴(yán)苛需求。

不過，生成速度始終是 PixVerse 的強(qiáng)項(xiàng)，其在響應(yīng)時(shí)間上一騎絕塵。早在 PixVerse V4.5 的時(shí)候我們就實(shí)測(cè)過，即使我們將各項(xiàng)生成指標(biāo)拉滿，平臺(tái)輸出結(jié)果的時(shí)間也沒有超過 1 分鐘

但是，為了更進(jìn)一步，實(shí)現(xiàn)徹底的「實(shí)時(shí)響應(yīng)」，PixVerse 在 R1 上決心徹底重構(gòu)底層推理架構(gòu)，提出了瞬時(shí)響應(yīng)引擎（Instantaneous Response Engine，IRE）。

這是一套針對(duì)采樣過程的系統(tǒng)級(jí)加速方案，通過三大關(guān)鍵技術(shù)，在保持 1080P 高分辨率生成的前提下，將推理時(shí)間壓縮到極致。

時(shí)間軌跡折疊

不同于傳統(tǒng)方法在加噪去噪過程上進(jìn)行漫長(zhǎng)的逐步逼近，該技術(shù)引入「直接傳輸映射」作為結(jié)構(gòu)先驗(yàn)，建立噪聲到數(shù)據(jù)的直線通路，能夠直接預(yù)測(cè)干凈數(shù)據(jù)的分布路徑。

這種方法在數(shù)學(xué)上有效地「折疊」了原本冗長(zhǎng)的時(shí)間維度，將傳統(tǒng)擴(kuò)散模型所需的 50+ 采樣步數(shù)暴力壓縮至僅需1-4 步。這一數(shù)量級(jí)的步數(shù)縮減，直接從源頭上解決了計(jì)算量過大的問題，實(shí)現(xiàn)了推理速度的質(zhì)變。

引導(dǎo)校正

針對(duì)為了保證生成質(zhì)量通常采用的無(wú)分類器引導(dǎo)策略（Classifier-Free Guidance，CFG）所帶來(lái)的雙倍計(jì)算開銷問題，PixVerse R1 團(tuán)隊(duì)通過將條件梯度直接融合進(jìn)模型內(nèi)部，使得系統(tǒng)在推理階段無(wú)需再進(jìn)行正負(fù)樣本的雙重計(jì)算。

這一優(yōu)化成功繞過了傳統(tǒng) CFG 的計(jì)算瓶頸，在不犧牲指令遵循能力的情況下，進(jìn)一步降低了計(jì)算復(fù)雜度。

自適應(yīng)稀疏注意力

為了應(yīng)對(duì)高分辨率視頻生成帶來(lái)的巨大顯存與計(jì)算壓力，IRE 采用了自適應(yīng)稀疏注意力機(jī)制。

該機(jī)制能夠動(dòng)態(tài)分析視頻生成過程中的上下文依賴，智能識(shí)別并剪除長(zhǎng)程依賴中的冗余計(jì)算，從而顯著壓縮了計(jì)算圖，大幅提升了整體推理效率。

即時(shí)響應(yīng)引擎由三個(gè)模塊組成：時(shí)間軌跡折疊、引導(dǎo)修正和自適應(yīng)稀疏注意力學(xué)習(xí)。

通用的認(rèn)知底座：

Omni 原生多模態(tài)基礎(chǔ)模型

如果說「瞬時(shí)響應(yīng)引擎」解決了傳輸?shù)乃俣葐栴}，那么一個(gè)強(qiáng)大的底座模型，則決定了傳輸內(nèi)容的質(zhì)量與上限。

底座模型是一切新功能新特性的基礎(chǔ)。構(gòu)建通用實(shí)時(shí)世界模型的第一步，在于打破單一模態(tài)的感知壁壘，只有設(shè)計(jì)一個(gè)完全端到端的原生多模態(tài)基礎(chǔ)模型，才能徹底超越傳統(tǒng)生成流程的局限。

在當(dāng)前的視頻生成技術(shù)棧中，多為非端到端的生成方式。往往需要生成一種模態(tài)之后通過級(jí)聯(lián)的方式生成另一種模態(tài)，這種方式下需要反復(fù)的鋪路搭橋，尤其是在處理復(fù)雜的跨模態(tài)交互上，自然顯著影響了生成的效率，也限制了模型的通用性。

為了實(shí)現(xiàn)無(wú)限的通用性，模型必須強(qiáng)調(diào)：原生，原生，還是原生。

PixVerse R1 提出的 Omni原生端到端多模態(tài)基礎(chǔ)模型，正是通過底層架構(gòu)的重構(gòu)，實(shí)現(xiàn)了「因原生而通用」。

原生統(tǒng)一表示

Transformer 架構(gòu)給了生成模型無(wú)窮的想象和可能性。

Omni 模型引入了統(tǒng)一 Token 流架構(gòu)。該架構(gòu)基于 Transformer，摒棄了異構(gòu)模型拼接的傳統(tǒng)路徑，將文本、圖像、音頻與視頻等不同模態(tài)的數(shù)據(jù)，統(tǒng)一編碼為單一的生成序列。

在這一框架下，模型不再是將文本「翻譯」為視覺信號(hào)，而是在原生層面上實(shí)現(xiàn)了對(duì)多模態(tài)數(shù)據(jù)的聯(lián)合處理與理解。這種全模態(tài)的「通感」能力，使得模型能夠精準(zhǔn)捕捉文本指令與視聽內(nèi)容之間的深層關(guān)聯(lián)，從而支撐起游戲、影視等多領(lǐng)域的通用化應(yīng)用。

原生分辨率

除了多模態(tài)數(shù)據(jù)的原生處理，第二個(gè)原生，是實(shí)現(xiàn)高分辨率視頻生成的核心特性：原生分辨率。

Omni 模型引入這一機(jī)制，旨在解決傳統(tǒng)視頻生成模型中因數(shù)據(jù)預(yù)處理而導(dǎo)致的畫面構(gòu)圖破壞與幾何失真問題。

為了適配固定的模型輸入結(jié)構(gòu)，傳統(tǒng)方案往往采取「強(qiáng)制裁剪」或「縮放拉伸」的策略。這種「削足適履」的方式，會(huì)導(dǎo)致畫面關(guān)鍵信息被裁切丟失，或使物體形態(tài)發(fā)生非物理的扭曲變形（如被壓扁或拉長(zhǎng)）。

相比之下，Omni 模型堅(jiān)持在原生分辨率和原始比例下進(jìn)行端到端的學(xué)習(xí)。這一架構(gòu)使其能夠自適應(yīng)處理任意長(zhǎng)寬比的素材，從根源上消除了因裁切或縮放帶來(lái)的視覺偏差，確保了生成內(nèi)容在構(gòu)圖完整性與物理幾何上的真實(shí)感。

Omni 原生多模態(tài)基礎(chǔ)模型的端到端架構(gòu)，統(tǒng)一設(shè)計(jì)使 Omni 模型能夠接受任意多模態(tài)輸入并同時(shí)生成音頻和視頻。

值得一提的是，模型通過原生學(xué)習(xí)大量真實(shí)世界視頻數(shù)據(jù)，來(lái)確保真實(shí)世界的內(nèi)在物理定律和動(dòng)態(tài)的真實(shí)性。因此，Omni 模型的功能，似乎不僅限于生成引擎，更具備構(gòu)建世界模型的潛力。

世界的連續(xù)演化：

自回歸流式生成機(jī)制

構(gòu)建「世界模型」的挑戰(zhàn)之一，在于如何從生成分段的「切片」，跨越到模擬連續(xù)的「過程」。在這一維度上，PixVerse R1 重點(diǎn)解決的是長(zhǎng)視頻生成中普遍存在的「長(zhǎng)時(shí)序一致性」難題，以及伴隨而來(lái)的顯存成本瓶頸。

在傳統(tǒng)的視頻生成流程中，模型通常受限于固定時(shí)長(zhǎng)的生成窗口。當(dāng)試圖延長(zhǎng)視頻長(zhǎng)度時(shí)，往往面臨「時(shí)間誤差累積」的問題：隨著生成幀數(shù)的增加，微小的預(yù)測(cè)偏差會(huì)不斷疊加，導(dǎo)致畫面內(nèi)容逐漸偏離初始設(shè)定，例如角色的外貌特征發(fā)生漂移，或物理環(huán)境邏輯出現(xiàn)崩壞。

此外，為了維持上下文的一致性，傳統(tǒng)架構(gòu)需要保存海量的歷史狀態(tài)，導(dǎo)致顯存消耗呈指數(shù)級(jí)上升，使得長(zhǎng)視頻生成在計(jì)算成本上變得不可控。尤其是在 PixVerse R1 追求的「無(wú)限內(nèi)容」的生成模式下，以上問題如果沒有妥善處理，會(huì)出現(xiàn)嚴(yán)重的問題。

針對(duì)上述痛點(diǎn)，PixVerse R1 摒棄了傳統(tǒng)的全局預(yù)測(cè)模式，構(gòu)建了自回歸流式生成機(jī)制。

無(wú)限流式生成

在生成范式上，R1 采用了自回歸建模。系統(tǒng)將視頻合成任務(wù)重構(gòu)為逐幀預(yù)測(cè)的流式過程，而非一次性生成固定片段。

這種架構(gòu)從根本上解除了時(shí)長(zhǎng)的硬性約束，實(shí)現(xiàn)了理論上的「無(wú)限流式生成」。視頻不再是受限的幀組合，而成為可以根據(jù)即時(shí)輸入，無(wú)限向前延展的時(shí)間流。

時(shí)間一致性

為了在無(wú)限延展中保持邏輯自洽，傳統(tǒng)方法下基于幀上下文的特征記憶，大多有著數(shù)十秒的時(shí)間限制，顯然是不夠用的。

為此，R1 引入了記憶增強(qiáng)注意力模塊。該模塊能夠顯式地提取并鎖定視頻中的關(guān)鍵特征（如角色的身份特征、場(chǎng)景的空間布局等），將其轉(zhuǎn)化為緊湊的記憶單元。

在生成后續(xù)內(nèi)容時(shí)，模型無(wú)需回頭重算所有歷史數(shù)據(jù)的全量注意力，而是直接調(diào)用「記憶」。這一設(shè)計(jì)在維持長(zhǎng)程依賴的同時(shí)，極大地優(yōu)化了計(jì)算效率，避免了顯存資源的爆炸式增長(zhǎng)。

集成自回歸建模與全能基礎(chǔ)模型。

從技術(shù)邏輯上看，這一機(jī)制賦予了 AI 模型「長(zhǎng)期記憶」的能力，打破了傳統(tǒng)幀間上下文的限制，確保了 PixVerse R1 生成的內(nèi)容不再是孤立、破碎的視覺片段，而是一個(gè)具備持續(xù)演化能力的「平行時(shí)空」。

無(wú)論生成時(shí)長(zhǎng)如何延伸，核心主體的統(tǒng)一性與環(huán)境邏輯的連貫性始終保持穩(wěn)定，這種物理與邏輯的持久性，正是「通用實(shí)時(shí)世界模型」成立的關(guān)鍵基石。

結(jié)語(yǔ)：

正在發(fā)生的現(xiàn)在

正如愛詩(shī)科技 CEO 王長(zhǎng)虎所言：傳統(tǒng)視頻是被記錄的歷史，而 PixVerse R1 開創(chuàng)了「正在發(fā)生的現(xiàn)在」。

PixVerse R1 開啟的是 AI 原生游戲、互動(dòng)電影、實(shí)時(shí)仿真等全新媒介形態(tài)的大門，是未來(lái)「可交互的數(shù)字世界」的計(jì)算基礎(chǔ)設(shè)施。

視頻內(nèi)容的消費(fèi)邊界正在消融。

媒體形態(tài)將不再局限于預(yù)先渲染的固定畫面，而是轉(zhuǎn)向由用戶意圖驅(qū)動(dòng)的即時(shí)生成流。

PixVerse R1 以「通用實(shí)時(shí)世界模型」的形態(tài)，為這一未來(lái)提供了可落地的技術(shù)樣本，也讓視聽媒介真正從「回放過去」邁向了「未來(lái)創(chuàng)作」。