編輯｜冷貓、+0

原來，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「即時響應(yīng)、即看即創(chuàng)」的全新交互體驗，卻是前所未有的。讀完技術(shù)報告我們發(fā)現(xiàn)，這不僅僅是一次卷到極致的性能提升，更是量變帶來的質(zhì)變。

回顧過去，23 年推出第一版模型，隨后 Web 端、移動端全面鋪開，愛詩科技在 DiT 路線上一路狂奔：從 24 年底的 10 秒生成，到 25 年 2 月實現(xiàn) 5 秒生成社交級視頻，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 確實將「傳統(tǒng)視頻生成」的速度推向了極限。

與此同時，行業(yè)加速從未停歇。就在上個月，生數(shù)科技宣布其與清華大學(xué)團隊研發(fā)的 TurboDiffusion 框架，也讓視頻生成正式邁入「秒級」門檻。

但時間上的「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，依然無法成為通用的標準。

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

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

以下，我們將通過技術(shù)報告，為您詳細解析 R1 的這次突破。

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

看了這個視頻，大家或許理解了什么是「無限內(nèi)容」的視頻生成。

在這個模型創(chuàng)造的世界里，「漢語竟是上古禁咒」，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，世界實時響應(yīng)你的呼喚，時間和空間都在你的掌控之中�；蛟S，PixVerse R1 已經(jīng)徹底掌握了「無限流」的真諦。

簡單來說，PixVerse R1 是全球首個支持最高 1080P 分辨率通用實時世界模型。

這也是第一次，AI 可以基于用戶的意圖實時生成一個持續(xù)演化、物理上合理的世界，標志著視頻生成正式從「靜態(tài)輸出」邁入「實時交互」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)軍備競賽，而是找到了一條通往「通用」的平衡之路：

當(dāng)一個模型首先做到了打破物理極限的實時響應(yīng)（IRE），并以此為基礎(chǔ)結(jié)合了通用全模態(tài)（Omni）與長時序世界模擬（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：

瞬時響應(yīng)引擎（IRE）

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

傳統(tǒng)擴散模型的生成邏輯本質(zhì)上是一種精細的迭代去噪過程，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。這種機制雖然在一定程度上保證了生成質(zhì)量，但其帶來的秒級甚至分鐘級的高延遲，使得 AI 視頻生成長期停留在「離線制作、預(yù)錄制回放」的階段，無法滿足即時交互的嚴苛需求。

不過，生成速度始終是 PixVerse 的強項，其在響應(yīng)時間上一騎絕塵。早在 PixVerse V4.5 的時候我們就實測過，即使我們將各項生成指標拉滿，平臺輸出結(jié)果的時間也沒有超過 1 分鐘

但是，為了更進一步，實現(xiàn)徹底的「實時響應(yīng)」，PixVerse 在 R1 上決心徹底重構(gòu)底層推理架構(gòu)，提出了瞬時響應(yīng)引擎（Instantaneous Response Engine，IRE）。

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

時間軌跡折疊

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

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

引導(dǎo)校正

針對為了保證生成質(zhì)量通常采用的無分類器引導(dǎo)策略（Classifier-Free Guidance，CFG）所帶來的雙倍計算開銷問題，PixVerse R1 團隊通過將條件梯度直接融合進模型內(nèi)部，使得系統(tǒng)在推理階段無需再進行正負樣本的雙重計算。

這一優(yōu)化成功繞過了傳統(tǒng) CFG 的計算瓶頸，在不犧牲指令遵循能力的情況下，進一步降低了計算復(fù)雜度。

自適應(yīng)稀疏注意力

為了應(yīng)對高分辨率視頻生成帶來的巨大顯存與計算壓力，IRE 采用了自適應(yīng)稀疏注意力機制。

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

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

通用的認知底座：

Omni 原生多模態(tài)基礎(chǔ)模型

如果說「瞬時響應(yīng)引擎」解決了傳輸?shù)乃俣葐栴}，那么一個強大的底座模型，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)建通用實時世界模型的第一步，在于打破單一模態(tài)的感知壁壘，只有設(shè)計一個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。

為了實現(xiàn)無限的通用性，模型必須強調(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，而是在原生層面上實現(xiàn)了對多模態(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，第二個原生，是實現(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「強制裁剪」或「縮放拉伸」的策略。這種「削足適履」的方式，會導(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）。

相比之下，Omni 模型堅持在原生分辨率和原始比例下進行端到端的學(xué)習(xí)。這一架構(gòu)使其能夠自適應(yīng)處理任意長寬比的素材，從根源上消除了因裁切或縮放帶來的視覺偏差，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)計使 Omni 模型能夠接受任意多模態(tài)輸入并同時生成音頻和視頻。

值得一提的是，模型通過原生學(xué)習(xí)大量真實世界視頻數(shù)據(jù)，來確保真實世界的內(nèi)在物理定律和動態(tài)的真實性。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 重點解決的是長視頻生成中普遍存在的「長時序一致性」難題，以及伴隨而來的顯存成本瓶頸。

在傳統(tǒng)的視頻生成流程中，模型通常受限于固定時長的生成窗口。當(dāng)試圖延長視頻長度時，往往面臨「時間誤差累積」的問題：隨著生成幀數(shù)的增加，微小的預(yù)測偏差會不斷疊加，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)級上升，使得長視頻生成在計算成本上變得不可控。尤其是在 PixVerse R1 追求的「無限內(nèi)容」的生成模式下，以上問題如果沒有妥善處理，會出現(xiàn)嚴重的問題。

針對上述痛點，PixVerse R1 摒棄了傳統(tǒng)的全局預(yù)測模式，構(gòu)建了自回歸流式生成機制。

無限流式生成

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)從根本上解除了時長的硬性約束，實現(xiàn)了理論上的「無限流式生成」。視頻不再是受限的幀組合，而成為可以根據(jù)即時輸入，無限向前延展的時間流。

時間一致性

為了在無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)十秒的時間限制，顯然是不夠用的。

為此，R1 引入了記憶增強注意力模塊。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，模型無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)計在維持長程依賴的同時，極大地優(yōu)化了計算效率，避免了顯存資源的爆炸式增長。

集成自回歸建模與全能基礎(chǔ)模型。

從技術(shù)邏輯上看，這一機制賦予了 AI 模型「長期記憶」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，而是一個具備持續(xù)演化能力的「平行時空」。

無論生成時長如何延伸，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「通用實時世界模型」成立的關(guān)鍵基石。

結(jié)語：

正在發(fā)生的現(xiàn)在

正如愛詩科技 CEO 王長虎所言：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、互動電影、實時仿真等全新媒介形態(tài)的大門，是未來「可交互的數(shù)字世界」的計算基礎(chǔ)設(shè)施。

視頻內(nèi)容的消費邊界正在消融。

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)動的即時生成流。

PixVerse R1 以「通用實時世界模型」的形態(tài)，為這一未來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「未來創(chuàng)作」。