首页 / 资讯详情
越大越强，不再是 LLM 的专利：PixVerse R2 攻克实时世界模型 Scaling 难题
摘要
AI 视频的下一战：谁能让世界保持运行 作者丨Reah 编辑丨李娜 岑峰 大语言模型已经用 Scaling 证明模型、数据和算力可以持续换来更强能力，必须一边生成、一边回应用户的实时世界模型，能不能也走上这样一条路？2026 年 1 月，爱诗科技提出“通用实时世界模型”这一产品方向，并推出 R1。目前，PixVerse R2 已全量上线用户可以直接进入网页端体验动作指令和互动影游的相关交互01实时世界模型，能走上 LLM 的 Scaling 之路吗过去几年，Scaling 最具确定性的成功故事来自大语言模型。随着模型容量、训练数据和计算规模持续扩大，语言模型获得了更强的理解、推理与泛化能力，“越大越强”也由此成为大模型产业最重要的认知基础之一。但如果把这条经验迁移到世界模型的话，问题就复杂很多，不能只是简单地继续放大视频生成模型。语言模型可以在接收问题后集中计算再给出答案，但实时世界模型却必须一边运行，一边接收用户的动作、文字和声音，同时继续输出连贯的音视频内容。于是这形成了一组长期存在的矛盾：实时要求模型足够快、足够高效，通用则要求模型足够强、见过足够丰富的世界。模型能力向上扩展，计算负担就要随之增加；如果为了速度持续压缩能力，实时体验又容易停留在只能完成有限演示的专项模型。为什么实时世界模型不能简单复制 LLM 的 Scaling？为什么“快”和“强”会互相拉扯？PixVerse R2 给出了自己的答案——把能力与效率拆成两层推进，具体的实现机制我们会在后文展开更详细的讨论。R2 将五类增长纳入同一可扩展框架，使生成质量、长程一致性和多模态控制能够共同提升02一次生成，怎样变成一个持续运行的世界？进入 PixVerse R2 实时生成的世界“冬日宫殿”，用户面对的是一个真实仍在运行的世界。WASD 和方向键用于控制移动与视角，新的指令可以继续改变当前体验；每次操作之后，页面不会退回独立的生成流程，用户仍然留在同一个世界里，决定下一刻发生什么。技术报告中的 Scaling 最终需要回到产品端接受检验：它能否让用户真正进入一个世界，而不是在一段视频上叠加几个控制按钮？为此，我们除了进行实机体验，还进一步分析了冬日宫殿会话的 HAR 网络记录。HAR 可以被理解为浏览器网络活动的飞行记录仪，它虽然没办法直接看见模型内部，但能帮我们记录一次产品会话究竟怎样被组织。本轮会话最关键的事实是客户端全程只观察到一次 session_init 和一次 generation_started。此后八轮系统推荐 Prompt 共享同一条内容流，提示历史从第一轮连续累积到第八轮，客户端没有为每一轮输入重新预约资源、初始化会话或切换媒体通道。约 119.5 秒的生成窗口里，所有操作都被组织在同一条持续 session 中。这意味着，从用户可见的产品流程看，八轮 Prompt 并不是八个彼此独立的视频任务拼凑起来的，而是当前世界下一步如何变化的连续控制输入。也就是说，一次生成不再以交付文件为终点，还要成为后续行动不断发生的环境。多轮输入持续发生在同一产品会话；该数据反映客户端协议，不外推服务端内部子任务在同一会话中，HAR 还记录到 3,355 条结构化 action_frame。这些动作帧的发送间隔中位数约为 29.944 毫秒，折算频率约 33.4Hz。用