PixVerse R2 将视频生成变成可以漫步其中的世界
大多数视频生成工具对你的要求都一样：描述一个场景，等待，得到一段视频，然后决定要不要留下。输出的是一个文件，每次播放都一模一样。如果你想要不同的结局，就得换一个提示词，从头再来。
PixVerse R2 于 9 月 23 日由 PixVerse 视频平台背后的公司 AIsphere 发布，它建立在一个不同的前提之上。它不返回一段固定的视频，而是生成一个持续运行的视听世界，在你与之互动的过程中始终运转。你可以用文字或图像创建一个世界，用 WASD 键移动角色，切换镜头，并输入提示词来替换角色、添加物体或改变环境。场景不会重新开始，先前的操作会保留下来，并塑造接下来发生的事。
最后这一点正是整个理念的核心。在大多数生成式视频中，每次请求都是彼此独立的；而在 R2 中，一条提示词会更新世界的状态。在与创作者 Xiaolongbao 合作打造的互动演示影片 *Zero Mark* 中，你向一个生物送出礼物，结果会根据你选了哪份礼物实时生成。给它一条龙还是一片叶子，故事就会走向不同的分支。另一位创作者 Jade Wu 则围绕一个名为 Eve 的实时数字角色构建了一段序列，Eve 在多次交流中始终保持着一致的身份和记忆。
AIsphere 将 R2 称为通用实时世界模型，并已在 world.pixverse.video 开放了面向游戏、互动影片和数字人的演示空间。R2 接续的是公司于 1 月推出的 R1。
它试图打破的取舍
实时生成一向迫使人们做出选择。小而快的模型能跟上实时互动，却做不了太多事；大而强的模型能生成更好的画面，但运行太慢，无法对任何输入作出响应。团队通常只能选一边，并接受这一局限。
R2 把这个问题分成两层。底层是一个名为 Omni Causal AR 的因果自回归主干，在短视频与长视频、多模态参考、音频和动作控制上持续训练。它沿五个维度扩展：模型、数据、任务、控制信号和时间跨度。在其之上是一个实时加速层，将同一主干蒸馏成极少步数的版本，以实现实时运行。
这一区别很重要。AIsphere 并没有单独训练一个小模型来处理交互、并接受它会更弱的事实，而是把自己能力更强的大模型蒸馏成更快的形态。两层同出一源，因此快速版本并不是从零开始学习。
配套技术则补齐了细节。动态分块处理运行在不同时间尺度上的信号，因此模型不必把缓慢的环境变化和快速的角色移动同等对待。三条记忆通道分别追踪持久的世界规则、近期的运动和物体的状态。一个“错误库”（Error Bank）会在训练中回放模型自身的失败状态。
公司报告称，在内部测试中，错误库将长时程亮度漂移指标降低了 35.8%，而块稀疏注意力在稀疏度超过 90% 时仍能几乎完好地保持画质。亮度漂移是一个不起眼却很能说明问题的指标。在长序列中，误差这种细微的累积，恰恰会打破“你正在看一个连贯场所”的错觉。
它不是什么
AIsphere 对局限相当坦诚，在这个营销通常跑在产品前面的领域里，这令人耳目一新。在严格的实时与延迟约束下，R2 单次生成的输出质量仍落后于领先的离线视频模型。如果你想要尽可能清晰的视频，依然更适合离线生成、耐心等待。
所以它的价值主张不是质量，而是连续性与响应性。模型用一部分逐帧的精致度，换取让世界持续存活并对输入作出反应的能力，而它押注的是：大量使用场景更看重后者。
这一框架也解释了 R2 在来自中国实验室及其他地区的世界模型浪潮中所处的位置。此前介绍过的 HiDream 的 HD-V1，把自己定位在离线生成中的物理一致性与叙事连贯性上。谷歌的交互式世界模型则朝着可游玩环境的方向推进。R2 的宣传最用力地拥抱“进入一个环境”这一隐喻。AIsphere 创始人兼 CEO 王长虎直言：实时交互视频并不等于世界建模的全部，但它是人们最早能体验到的路径。他预计 R2 会从创作工具演变为用户可以随时进入的环境。
游戏引擎为何重要
今年 7 月首次推出的 PixVerse 游戏引擎，如今运行在 R2 之上。对研究领域之外的人来说，这才是值得关注的部分。附着在游戏引擎上的实时世界模型，与视频生成器是完全不同的产品。它意味着精心设计的交互、存档状态，以及玩家早已从软件（而非媒体）中习以为常的那种会话持久性。
演示用例都围绕这一思路聚集：游戏、互动影片、数字人。这三种形态都是观众要做出行动的格式，也是固定视频无法提供的体验。一个记得上一轮对话的数字人，在客户服务或陪伴场景中的用处，是单次视频永远无法企及的。而一部观众的选择真正产生分支的互动影片，是传统视频流程根本无法制作的形式。
从演示空间到生产部署之间还隔着现实的差距，AIsphere 尚未披露商用时间表、定价，或一场实时 R2 会话消耗多少算力。这些数字将决定这个模型会成为平台，还是停留在演示阶段。
这次发布背后的模式
退一步看，R2 符合过去一年 AI 视频中一个清晰可辨的模式。前沿正不断从“生成更漂亮的视频”转向“在时间中维持一个连贯的事物”。无论这个事物是五分钟的叙事、在多个镜头间保持一致的角色，还是像 R2 这样在你不断推动它时仍维持自身规则的世界，都是如此。
这些其实都是同一个底层问题换了身衣服：当时间和交互不断累积时，如何让生成系统的状态保持一致。离线模型在单次渲染中逐帧解决它；R2 则要在输入持续到来的实时会话中解决它。
无论 R2 会成为被广泛使用的工具，还是资金充足的实验，它都是一个有用的标志，标示出这个品类认为下一个优势所在何处。能够在实时输入下维持一个连贯世界的公司，将占据有利位置，因为正是这种能力，把生成式视频从“你观看的东西”变成“你使用的东西”。