扩散语言模型驱动的实时交互视频生成公司SigmaZ AI，完成数百万美元融资｜蓝驰家族

来源：市场资讯

（来源：壹小姐 蓝驰创投）

近日，基于扩散语言模型（DLM）的实时交互视频生成公司SigmaZ AI 完成数百万美元融资，由蓝驰创投领投，多家机构参与投资。

交互智能实验室 SigmaZ AI专注于AI视觉交互赛道，利用Diffusion-LM驱动产出Pixel与Code结合的可实时交互、能当场修改的"活的画面"，与像素固化的传统视频形成本质区别。其旗舰产品 Tap8 即将正式发布，让互动视频成为人与AI之间的交互界面。

SigmaZ AI由 2003 年出生的剑桥连续创业者杨博麟 William，和 Amazon AGI Lab（伦敦）旗舰模型视觉代码训练技术主管 Derek Law 联合创办。

蓝驰创投表示，AI技术的持续演进正在推动信息载体从“可观看”走向“可交互”，并加速重塑内容生产与消费的方式。SigmaZ AI是具备用户真实需求视角和模型能力的连续创业团队，对Pixel与Code融合路线具备清晰判断，让我们看到了实时交互内容走向大众的新路径。实时交互内容正在成为AI时代的重要新媒介形态，蓝驰将持续关注与支持该方向的技术演进与产品落地。

以下是该项目的技术亮点及进展介绍，编辑整理自“十字路口”，enjoy:

想象你正在和 AI 开一场视频会议。你当然希望看到对面的脸。人的表情、动作、眼神、情绪——这些高熵而模糊的信息，最适合用像素表达。

但如果 AI 此刻要向你解释一家公司的财报，你大概不会希望它举着一张纸在镜头前念数字。你希望它共享屏幕。图表应该是图表，数字应该是可以读取的数字，按钮应该可以点击，3D 产品应该可以旋转，流程应该可以展开，某一个对象发生变化时，系统应该知道究竟是哪一个对象变了。

以上这两种信息，本质上属于不同的模态。

像素 Pixel 擅长表达 appearance（外观），代码 Code 擅长表达 structure（结构）。

前者负责“这个世界看起来是什么样”，后者负责“这个世界里有什么、它们之间是什么关系、以及我可以对它做什么”。

回顾过去两年，AI 的想象力一直被“对话框”所限。无论是打字还是语音，交互的方式仍然是传统的一问一答。

现实中，人类的很多好奇心其实很难被翻译成精准的文字。比如：看耳机测评时，我们会想直接看看内部结构 ，而不是读一段描述内部结构的文字；跟着视频健身时，我们会更想直观、无延迟地知道当下的这个动作对不对……

原本应该是视觉化的内容，但模型只能用文字来表达。而信息原本就长在画面里，如果硬要转化成提示词（文字形式）再输出，这本身就是在绕远。

这背后，一个被忽视的根本性问题是：人与AI之间不断拉大的差距其实不在智能，而在“信息带宽”。

有一组数字更直观地体现了人和 AI 之间的带宽距离：成年人静默阅读速度约每秒 5 个 token，而前沿模型今天的输出已经达到每秒 300个 token。

模型每提升一点吞吐，都在显著拉开人与AI间的差距。

一个专心的读者对一个模型的差距大约是60 倍；如果十个 agent 并行，差距将达到 600 倍。

在SigmaZ AI 看来，想要弥合这个差距，真正该换掉的不是模型，而是模型与人之间的那层交互界面。

早在今年5月，OpenAI 创始成员Andrej Karpathy 便曾在 X 上写道：人脑大约三分之一的算力用于处理视觉，视觉是信息进入大脑的十车道超高速公路；AI 输出的形态会从纯文本，到 markdown，到 HTML，最终将走向由模型直接生成的可交互视频。

在这条AI视觉交互模型赛道上，不同于纯Pixel-based式，SigmaZ AI 选择的正是“像素代码混合式”路线：画面仍以视频、动画或场景呈现，但背后不再只有像素，而是有一套可以被理解、修改和持续更新的内容组织方式。

目前，市面上不乏关于交互视频和世界模型的探索，但多数集中在“游戏引擎”和“机器人仿真训练”领域，服务对象是开发者和特定产业企业，离普通人的手机屏幕都较远。

SigmaZ AI 选择的服务场景是：把交互视频带进日常使用场景——做通用型平台。

这也意味着SigmaZ AI 要跨过的门槛已经从“能不能做出 Demo”升级为极度现实的工程化突破——反馈要够快、生成质量要够稳、推理成本要能撑住高频使用。

为了实现工程化突破，SigmaZ AI 团队选择从 infra 做起，它做了三个核心的技术押注。这三个押注互相咬合，共同构成了这家公司的技术壁垒，也形成了它的技术飞轮。

第一，生成媒介从“像素Pixel”转向“代码像素混合 Code-Pixel Mix”——两者分工配合。代码 Code 负责结构、因果、交互和状态；像素 Pixel 扩散则负责纹理、细节和开放世界的高熵内容。

纯 Pixel 视频模型输出的是像素流，画面一经生成随即固化；而 SigmaZ AI 可以让模型输出可执行的前端代码，渲染之后再形成画面。交互本身即是媒介的组成部分，而非附加在视频上的外挂功能。

第二，从推理时扩展（Test-Time Scaling）到自进化：基于视觉引导递归自进化的多模态模型。

在模型层面，SigmaZ AI 可以实现自进化。扩散语言模型（DLM）长期被诟病的一个问题是单次生成的智能上限还不够高：面对复杂的视觉代码任务，模型很难一次把结构、逻辑和视觉效果同时做对。SigmaZ AI 的思路是先通过推理时扩展（Test-Time Scaling），让模型在单个任务上多思考、多试错。

第二步是训练时内化（Training-Time Internalization）。SigmaZ AI 把这些推理过程中产生的批评、修改和最优轨迹重新变成训练信号，蒸馏回模型权重，让这一次在五轮试错中学会的东西，下一代模型可能第一轮就能做到。

最后，SigmaZ AI 也在做评审器进化（Evaluator Evolution）。从技术维度来看，评审本身也需要被持续重训、持续进化。对此，SigmaZ AI 设计了“元评审层”的持续校准。“元评审”agent 会专门盯着评审 agent 和人类专家打分不一致的地方，自动去跑实验、重新校准评分标准，直到它和人的判断更吻合；同时，另一个“元编码”agent 会批量分析评审反馈，从中找出写代码的 agent 反复犯的系统性错误、提出改法，并在通过回测后允许上线。

以上三个循环（推理时扩展、训练时内化、评审器进化）接在一起，形成了真正的模型自进化：推理产生经验；经验沉淀为能力；不断进化的评审标准决定下一轮模型该朝哪个方向变强。

SigmaZ AI 的评审标准背后，是一个积累了数年的约 1000 人规模的按需专家网络。这些专家全部来自 QS 前 200 高校，覆盖 9 个垂直领域，75% 是硕士、25% 是博士。而且，他们不只是打分，他们更重要的作用是“校准自动评审模型”。目前，SigmaZ AI 可以实现标注者之间的一致性落在 0.67 到 0.91 之间。

这套方法由SigmaZ AI CTO Derek Law 作为核心作者写成了论文《Vision-Guided Iterative Refinement for Frontend Code Generation》，发表在 ICLR 2026 的 RSI Workshop 上。

第三，为实时生成重做模型栈：Diffusion-LM 与全栈后训练。

自回归模型代码写得很好，但问题出在速度上——它是逐 token 串行往下吐，速度约每秒 100 token。如果想要生成一个内容丰富的场景，需要好几分钟。这个速度做离线渲染是够用的，但做实时交互就是致命的短板。

SigmaZ AI 团队很早就把 DLM 系统性地用在了实时交互视频上。底座模型是市面上能买到的通用件，但围绕它构建的这套垂直整合系统，是买不到的东西——这是SigmaZ AI 真正的护城河。“post-training 只是第一步。”SigmaZ AI表示，“下一阶段，SigmaZ 会进入到 Pixel-Code joint training。Code 和 Pixel 将不再是两套彼此独立的模型能力，而是同一个世界模型表示之上的两种 decoding path。”

今年 7 月，SigmaZ AI 对内部生成引擎做了一次横向评测：覆盖 7 个主流系统、5 类真实场景、25 个具体场景共 173 段视频，独立标注者盲评产出 6,760 条人工标注。评测数据显示，在信息密集型场景里，SigmaZ AI 引擎拿到了综合质量、事实覆盖率、文字准确度三项第一，内容理解正确率并列第一，表现优于Fable 5、Seedance、Veo。

当然，对 SigmaZ AI 而言，这套 Benchmark 数据只是起点。接下来的产品发布，才是检验这家公司实力的真正考验。因此，SigmaZ 计划在2026年正式推出这套模型能力的首个产品化尝试Tap8，将其定位为“实用且有趣的实时交互内容平台”。

SigmaZ AI 最核心的壁垒，便来自团队在模型训练、视觉生成和消费级产品这三块之间的复合 Know-how。

在团队构成上，SigmaZ AI 联合创始人兼 CEO 杨博麟（William Yang）是一位2003年出生的连续创业者，拥有华威大学和剑桥大学的学术背景，曾把多个创业项目从零做到数千万营收并完成一次退出，对于将新技术落地位日常使用的产品有第一线的判断。

SigmaZ AI 联合创始人兼 CTO Derek Law 毕业于帝国理工学院计算机科学专业，他有近十年的前沿AI Lab经验，曾是 Amazon Alexa 首位华人算法研究员，负责Amazon旗舰模型从视觉代码训练到上线的技术开发。

两位创始人之外，SigmaZ AI 的核心团队还汇聚了来自 Amazon AGI、Alibaba AI Lab、ByteDance AI、Baidu 等一线实验室的资深研究员与产品负责人。

SigmaZ AI 的另一个优势在于“数据”。交互视频是一个全新的品类，行业里既没有现成的公开数据集，也没有专门的数据公司提供标注服务。过去一年，SigmaZ 在真实的生产环境中，积累了数十万条带有人类偏好标注的真实数据。

数据主要来自三个渠道：

• C端消费者产品。在行业普遍对“用代码生成交互视频”持观望态度时，SigmaZ AI 已从去年年底开始布局，通过首款C端消费产品积累了第一批种子数据。

• B端试点合作。方向明确后，团队与大量B端用户开展了试点合作。这些用户在真实场景和受控环境下使用产品，持续产生高质量数据。

• 合成数据。在前两类数据基础上，SigmaZ AI 团队进一步通过合成方式实现数据规模的扩展。

这三类数据互为补充：C端数据提供真实用户反馈，B端数据覆盖结构化场景，合成数据完成规模放大。它们共同构成了SigmaZ AI 模型后训练的核心素材，也反过来驱动RSI自进化闭环的持续运转。

联合创始人兼 CEO 杨博麟表示：“今天回看每一轮媒介革命，本质上都是一项底层技术重写了一次信息的载体。印刷术长出了报纸，无线电长出了广播，视频编码加流媒体，长出了今天的短视频平台。每一次媒介革命都是底层先变，新的媒介以及那个时代最大的平台，随之生长起来”

SigmaZ AI 认为，AI 是下一个新兴媒介的底层，它真正的产物是实时交互内容。因此它以视觉为入口的下一代人机交互界面，将Diffusion-LM作为实时交互时代的一种新模型范式， 以Code作为它连接视觉世界的重要原生语言，打开一个用户和AI交互的新入口。