Vivix发布首个实时交互多模态模型A1，统一流式架构实现消费级GPU实时推理

事件概述

Vivix（灵动时刻）正式发布其首个实时交互多模态基础模型A1，以及配套的W1模型。A1定位为全球首个在一套原生流式架构中统一多模态参考、实时交互和流式生成的模型，支持用户与虚拟角色进行类似视频通话的持续交互。

核心信息

模型架构与能力

• A1采用统一流式架构，将多模态参考条件、实时交互信号和视频生成融合到同一链路中，通过因果时序建模和流式状态维护保证长期一致性和角色稳定性。
• 直接建模语言语义、声学特征、非语言声音、环境事件、手势和动态视觉信号，而非传统ASR-LLM-TTS-Motion串联流水线，支持持续聆听和事件触发响应。
• 模型近30B激活参数，采用8x8x4高质量压缩率的VAE。

性能与优化

• 通过MJD（多维联合蒸馏）将视频扩散从8-Step压缩到2-Step推理，同时保持画质、动作表现和长期稳定性。
• 原生NVFP4训推策略：训练阶段即对齐4-bit数值分布，在Blackwell GPU上实现接近无损的BV16基线质量，同时降低显存占用。
• VMI（Vivix Model Infra）基础设施：Encoder与Decoder解耦独立弹性伸缩；P/D分离架构及KV Cache传输层优化；计算-通信-内存协同调度引擎，PCIe带宽利用率88%+；单卡吞吐超10000 video tokens/s。
• 流式调度器响应新输入最短300ms，用户发出输入到画面首次可见反应平均延迟0.6秒。

模型产品

• A1：实时交互多模态模型，支持角色开口、行动、转身、改变姿态，并与环境持续互动。
• W1：允许用户随时介入改变人物选择和剧情走向。

值得关注

A1将部署门槛压至消费级GPU（如RTX系列）实时推理，在近似画质下推理效率提升近两个数量级。这标志着实时交互视频生成从概念验证进入可实际运行阶段。官方已开放内测申请（vivix.ai）。