9月23日，AI视频公司爱诗科技正式发布通用实时世界模型PixVerse R2，并向用户开放游戏、互动影视与数字人等多个场景的体验间。公司创始人兼首席执行官王长虎把这次发布定义为一个起点：随着持续扩展，PixVerse R2会从当前的创作工具，逐步演化为可以随时进入、随时互动的生成式环境，最终成为下一代生成式世界模型的基础设施。发布后，该模型迅速登上社交平台美区热搜。
实时世界模型一直面临一组硬约束。要做到实时，模型必须足够小、足够快，才能在一块显卡上跑出流畅帧率；要做到通用，模型又必须足够大、见识足够广，才能理解各种复杂场景与物理规律。过去的技术路径基本是在两者之间取舍，结果是要么只能跑特定场景，要么帧率无法接受。
语言模型走过的路给了行业一个参照。规模定律证明了模型越大能力越强，但这条规律是否只适用于文字一直有争论，因为文字是离散符号，而视频是连续高维信号。此后视频生成模型的进展打破了这一偏见，但实时领域仍然没有走通扩展：算力与帧率是硬约束，参数一涨延迟就上去。
爱诗科技给出的判断是，问题不在取舍本身，而在架构。只要文本、参考图、声音与操作这些复杂信号能被模型统一理解，实时与通用就可以兼得，实时也不必是偷工减料的妥协，而可以是一条能够持续变强的技术路线。PixVerse R2就是这套判断的验证。在这套思路里，实时性不是把大模型裁剪成小模型，而是让同一套理解能力运行在更高效的推理路径上，因此扩展带来的收益可以持续累积，而不会被延迟预算提前封顶。
具体到架构，PixVerse R2建立在自研的两层设计之上。底层是全模态因果自回归，负责把不同类型输入统一成可预测的序列表示，解决的是理解与生成能力的问题；上层是实时加速引擎，负责把生成过程压缩到可交互的时间尺度内，解决的是延迟与吞吐的问题。两层解耦之后，能力层可以继续扩大规模，效率层则专注于推理优化，两者不必在同一套参数里互相牵制。
因果自回归在这里的意义值得展开。实时交互要求模型对用户的下一个操作做出即时响应，而不是先看完一整段输入再生成。因果结构让模型只能依据当前与过去的信息预测下一帧，这既符合交互的物理直觉，也避免了在生成过程中修改已经输出的内容。相比一次性生成整段视频，这种方式把长内容拆成了连续的小步。
官方称，这套设计让通用实时世界模型第一次拥有了一条清晰、确定、可以被验证的持续扩展路径，也就是像大语言模型那样，投入更多算力与数据就能获得可预期的能力提升。这一定位与同期其他世界模型路线形成对比：有的路线专注离线高保真生成，有的专注场景重建与几何输出，而PixVerse R2选择把交互性放在第一位。
在体验层面，PixVerse R2把操作方式做得相当直接。用户可以用键盘方向键控制移动与视角，同时用提示词改变环境、天气、物件甚至情节走向，模型会实时响应并持续生成画面。官方同时开放了互动影游体验，让用户在剧情推进过程中做出选择并即时看到结果，而不是在预渲染的分支之间跳转。
互动影视是这套能力最自然的落点。传统互动影游需要为每条分支预先拍摄或渲染素材，分支数量直接决定成本，因此绝大多数作品只能提供有限选项。当画面由模型实时生成，分支成本大幅下降，理论上可以支持连续的自由选择。游戏场景同样受益，尤其是那些依赖环境变化的探索类玩法。
数字人是第三个方向。实时生成的画面可以驱动具备表情与动作的虚拟形象，并让形象与场景同步变化，这与数字人赛道正在推进的实时交互方向一致。不过官方也明确，当前阶段的单次生成质量与前沿离线视频模型仍有差距，实时性带来的画面损失尚未完全抹平。
实时生成的真正难点不在第一帧，而在第一万帧。随着生成步数累积，误差会不断叠加，画面逐渐偏离初始设定，出现物体变形、光照跳变与场景逻辑崩坏，行业里通常称之为漂移。这个问题决定了实时模型能否支撑长时体验。
PixVerse R2给出的方案中包括一个误差补偿机制，官方称它把长期画面的漂移下降约35.8%。这个数字的意义在于，它把长时一致性从工程技巧问题转化为可量化的指标，也让不同路线之间有了可比的评价维度。对用户体验而言，漂移下降意味着可以连续玩更长时间而画面不崩。
从商业化角度看，实时世界模型距离成为基础设施还有几段路。第一段是稳定性，需要在长时间运行与多样输入下保持画面与逻辑一致；第二段是成本，实时推理的单位时间成本必须降到普通创作者可以持续使用的水平；第三段是内容边界，实时生成意味着内容不再经过发布前审核，合规与版权问题需要在生成过程中解决。爱诗科技把当前版本定位为创作工具而非终端产品，某种程度上是对这三段路的清醒判断。接下来值得观察的是它在开放体验后收集到的真实使用数据，以及扩展路径上的下一版会把单次生成质量推到什么位置。