爱诗科技发布首个通用实时世界模型PixVerse R1

1月14日消息，爱诗科技发布PixVerse R1，全球首个支持最高1080P分辨率通用实时世界模型：一个基于Omni原生多模态基础模型、自回归流式生成机制和瞬时响应引擎构建的下一代实时世界模型。据介绍，该模型首次将视频生成的延迟从“秒级”降至“即时”响应，实现了“所想即所见、所说即所现”的实时交互体验，标志着AIGC领域的视频生成正式从“静态输出”迈入“实时交互”的全新阶段。

首先，Omni 原生多模态基础模型（Native Multimodal Foundation Model）打破了传统多模态系统“拼接式”处理的局限。它采用Transformer架构，具有高扩展性，模型统一Token流架构（stream of tokens），将文本、图像、音频与视频融合为单一生成序列，实现真正端到端的跨模态理解与输出。更为关键的是，模型全程在原生分辨率下训练，避免了上采样带来的模糊与伪影。通过scaleup训练，使光影变化、物体运动与物理交互具备一致性和真实感。这意味着，AI 不再只是“画图”，而是在模拟一个符合现实场景的世界。

在此基础上，自回归流式生成机制（Consistent Infinite Streaming via Autoregressive Mechanism）解决了长时序一致性这一行业难题。通过引入记忆增强注意力模块，可生成任意长度的视频内容，并长期维持角色身份、物体状态与环境逻辑的一致性。用户不再受限于几秒片段，而能在生成过程中随时插入新指令，系统即时响应并动态调整叙事，实现真正的“流式交互”。画面突变、逻辑断裂等传统生成痛点，由此成为历史。

而让这一切“实时”成为可能的，是瞬时响应引擎（Instant Response Engine ——IRE）。IRE 通过时间轨迹折叠、引导校正和自适应稀疏采样三大创新，将传统扩散模型所需的50+ 采样步数压缩至惊人的1–4步，计算效率提升数百倍，让动态画面进入人眼可感知的“即时”响应阈值。不仅可以支撑高并发 API 服务，更为未来终端设备部署铺平道路。

据悉，三大核心技术：Omni 提供现实世界的“计算基座”，自回归流式生成机制赋予其“持久记忆”，IRE 则注入即时反应的“神经反射”。它们共同构成了 PixVerse-R1这一全球首个支持1080P 实时生成的通用视频大模型。

据了解，PixVerse R1应用场景覆盖游戏、影视、娱乐、创意等多个领域。爱诗科技创始人兼CEO王长虎表示：“PixVerse R1是全新的媒体形式。第一次，AI可以基于用户的意图实时生成一个持续演化、物理上合理的世界。传统视频是被记录的历史，而PixVerse R1开创了‘正在发生的现在’的实时生成新纪元。无论是 AI 原生游戏、互动电影，还是生成式直播电商体验，叙事都能‘所想即所现’（As You Think）。创作与消费的边界逐渐模糊：视频消费者同时也是创作者，能够在观看的同时立即调整和生成新内容。我们相信，智能化媒体应实时响应用户意图，让每个人都能成为动态叙事的创作者。”（定西）

本文来自网易科技报道，更多资讯和深度内容，关注我们。