PixVerse R2发布：爱诗科技构建实时世界模型“全科生”架构

事件概述

爱诗科技（PixVerse）正式发布新一代实时世界模型 PixVerse R2。该模型旨在解决实时世界模型长期面临的“能力越强，实时越难守”的工程难题，通过统一的扩展性框架，实现了在保持高实时性的同时，大幅提升世界的通用理解、多模态控制及长程一致性能力。

核心技术与架构创新

1. 突破传统Scaling瓶颈
传统LLM依赖离散符号系统实现稳定的Scaling增长，而视频/图像作为连续、高维且冗余的信息形态，缺乏统一的紧凑表征体系。此外，实时计算预算（毫秒级窗口）与模型容量（需理解复杂物理关系）之间存在天然冲突。R2通过重构投入产出逻辑，不再单纯依赖参数规模扩大，而是建立了一套可持续扩展的协同增长体系。

2. Omni Causal AR：统一因果建模框架

• 多模态统一：将短视频、长视频、多模态参考、音频和Action控制信号统一进入同一套因果自回归框架。
• 动态适配：通过动态Chunk适配不同时间尺度，利用Hybrid Teacher/Diffusion Forcing、多时间尺度记忆和Error Bank机制，解决长程生成中的误差累积、角色漂移和状态断裂问题。
• 协同增长维度：将Scaling拆解为模型规模、数据分布、任务迁移、控制信号和时间尺度五个维度，新增资源可转化为整体世界建模能力的复利增长。

3. Real-Time Acceleration：实时加速层

• 先造大脑，再给加速器：采用“能力上限”与“实时效率”分离的设计思路。首先通过持续预训练夯实Omni Causal AR的基础能力（质量、长程状态、因果逻辑），随后将其蒸馏至实时加速层。
• 性能表现：确保在毫秒级延迟下，依然能沿用底层的世界理解逻辑，实现音画同步、边生成边响应的丝滑体验。

应用场景与演示效果

• 互动影游与DIY剧情：用户可通过Prompt实时改写剧情走向（如输入魔法指令改变战斗画面），世界能够“记住”前后状态并合理演化。
• 实时数字人与探险：支持WASD视角控制及基于文本的角色动作控制，无明显卡顿，具备强在场感。
• 跨场景泛化：从赛博世界到奥德赛草原风格，模型展现出较强的跨场景适应能力和画面一致性。

行业影响

PixVerse R2的技术路线表明，实时世界模型正从单一的画质或时长优化，转向对“世界状态空间”本身的建模。这种能够持续理解环境、维持状态并根据外部输入实时生成的底层能力，有望成为内容生产、具身智能、虚拟人及游戏实时渲染的共同底座，推动互动娱乐进入“内容随用户行为动态展开”的新阶段。