邊看邊創造，在 PixVerse R1 的實時世界模型里，你真是上帝

作者 ｜ Yoky
郵箱 ｜ yokyliu@pingwest.com

想象一下，用一句話生成一個世界，一句話改變一個世界，一句話無限延伸一個世界。

1 月 13 日晚，愛詩科技正式發布 PixVerse R1，它是“全球首個通用實時世界模型”，支持最高 1080P 分辨率，基于原生多模態架構、自回歸流式生成和瞬時響應引擎構建。

先別管它是不是真正的“世界模型”，重要的是它確實改變了視頻媒介的固有范式。過去視頻生成是單向的：輸入指令、等待結果、拿到成品。R1 把這個過程變成了實時對話：你說一句，畫面就變一下，一直說下去，視頻也就一直生成下去，沒有時長限制。

有點前陣子 Gemini 發布生成式 UI 那味了：核心突破不是“更快”，而是交互方式變了。PixVerse R1 不是“更快的視頻生成工具”，而是試圖讓 AI 真正模擬一個持續運轉、可以隨時介入的世界。

這極大拓寬了視頻生成的應用場景。以前視頻生成最有價值的是最終成品，是剪輯之后的結果。現在生成過程本身就是一種交互體驗，可以直接用在實時游戲、互動劇情、甚至直播里。

真的假的？我們實測了一下，看看 Sora 畫了一年多的餅，PixVerse 是不是真的先做到了。

1

不用等，你就是上帝

R1 上線后，硅星人在第一時間對其進行了測試，我們用一個經典的故事，來看看它的理解和交互能力。

Prompt 設定是一個經典的奇幻世界：浮空島嶼懸浮在金色黃昏的天空中，巨大的瀑布從島嶼邊緣傾瀉入云海，古老的石橋連接著各個島嶼，橋上爬滿發光的藤蔓。在這個世界里，我“操縱”了一條噴火的巨龍盤踞在最高的島嶼上，一位勇士要穿越重重險阻，最終拔劍與龍搏斗，救出被囚禁的公主。

第一個讓我意外的地方是真的不用等。從輸入 Prompt 到畫面開始流動，體感上幾乎是即時的。按下生成，畫面就開始隨著提示詞變化。用過其他視頻生成工具的人應該知道，傳統流程是：輸入、等待、loading 轉圈、幾十秒甚至幾分鐘后出結果。R1 的體驗完全不同，Prompt 和畫面之間幾乎沒有時間差，你還在構思下一句的時候，上一句已經變成畫面在播放了。這對于需要反復調試、快速迭代的創作流程來說，體驗提升是質變級別的。

在長時間的生成中我發現，即便沒有提示詞，R1 的生成也是連貫的。以前用視頻生成工具做長內容，本質上是“拼片段”，每次只能生成 4 秒或 6 秒的片段，想講一個完整的故事，得自己手動把十幾個片段剪到一起。問題在于，片段和片段之間，模型沒有記憶。

R1 不一樣。我從勇士啟程、跨越石橋、對抗巨龍、救出公主，整個敘事是一條連續的流，不是碎片拼圖。生成的結果中鏡頭邏輯是通的：勇士沖向巨龍時，鏡頭跟著他的動線推進；拔劍的瞬間，切了一個劍身特寫，然后再拉回全景。這種鏡頭語言不是我 Prompt 里寫死的，是模型自己“理解”了敘事節奏之后做出的選擇。

第三個值得說的是，理論上可以一直生成下去。傳統模型有一個硬傷叫“時長上限”。4 秒就是 4 秒，6 秒就是 6 秒，想要更長的內容，只能靠接力和拼接，而且越往后生成，累積誤差越大，畫面崩得越厲害。R1 讓它擺脫了這個限制，測試的時候發現如果用戶不干預，它可以一直生成下去，故事從勇士救出公主，發展到兩人騎著飛行生物逃離巨龍的追擊，又演變成飛躍云海、抵達一座新的浮空城市，即便不給新的提示詞，它也會按照劇情一直生成下去，做到真正的“無限流”。

問題主要集中在轉場和一致性上。

因為我的 Prompt 寫得比較籠統：只給了“勇士穿越石橋”“與龍搏斗”“救出公主”這些關鍵節點，沒有詳細描述中間的過渡：模型在處理細節切換時出現了一些生硬的跳接。比如勇士剛剛還在石橋上奔跑，下一秒直接出現在龍面前，中間的空間位移沒有任何交代。

另外，勇士在某些片段里會突然“變人”，前一秒還是男性形象，下一秒莫名變成了公主；有時候人物會毫無征兆地憑空出現或突然消失，雖然不至于完全崩壞，但確實能感覺到模型對角色的“記憶”還不夠穩固。

這些問題加在一起，讓我意識到 R1 目前的“世界模型”更像是一個新的框架：大的敘事邏輯能跑通，但細節處的物理規則和角色鎖定還需要和真實世界的我們相互適應。

總體來說，PixVerse R1 在速度、敘事連貫性和時長自由度上確實有突破，這三點加在一起，已經能改變很多敘事方式了。但“世界模型”這個概念要真正落地，物理一致性和自動化的敘事連貫性還需要繼續打磨。

1

PixVerse R1 是“真實時”嗎？

在此之前，市面上也有一些模型宣稱“實時生成”，但大多數其實是“偽實時”，生成時間縮短到了人類感知不太敏感的范圍，給人的體感像是實時，但本質上還是“先渲染、后播放”。你看到畫面的時候，計算早就跑完了，只是等待時間短到你沒注意而已。

R1 究竟是不是真實時，要看的不僅是它的效果，更是它的架構。

打個比方。偽實時像視頻網站的預加載，提前緩沖了 10 秒，所以你感覺沒有卡頓，但跳到沒緩沖的地方就得等。“真實時”是直播：畫面是當下正在發生的，不存在“提前渲染好”這回事。對應到視頻生成：偽實時是“算得快”，真實時是“邊算邊出”。前者你沒法在生成過程中插嘴，后者你可以隨時喊停、隨時改指令，畫面即時響應。

R1 屬于后者。它的架構從底層就是為“流式交互”設計的，不是在傳統架構上做加速，而是換了一套邏輯。

傳統的多模態模型，其實是“拼裝”出來的，文字走一個模型，圖片走另一個模型，音頻再走一個，最后把結果拼到一起。各個模塊之間沒有真正打通。你讓它生成“一只貓跳上窗臺，窗外下著雨”，它可能貓畫得不錯，雨也畫得不錯，但貓毛有沒有被雨淋濕、窗臺上有沒有雨水濺落這些細節，它顧不上，因為它是分開處理的。

R1 用的是 Omni 原生多模態架構。什么叫原生？就是從一開始，文字、圖片、音頻、視頻就在同一個架構里訓練，用同一套“語言”處理。模型看到的不是“文字+圖片+聲音”的拼盤，而是一條統一的 Token 流。這樣它才能真正理解：下雨天的貓，毛發應該是濕的，窗臺應該有水漬，雨聲應該和畫面同步。

R1 所采用的自回歸流式生成，意味著模型生成下一幀的時候，會參考前面已經生成的內容。更關鍵的是它有“長期記憶”，不只是記住上一幀，而是能記住幾十秒甚至幾分鐘前的信息。這就是為什么 R1 可以生成理論上無限長的視頻，而且角色形象和場景邏輯大體上能保持一致。這是實時交互的基礎，只有生成是連續的、有記憶的，你中途插入的指令才能被接住，而不是讓整個畫面從頭再來。

前面兩點解決的是“能不能”的問題，但還沒解決“快不快”。就算模型聽懂了、記住了，如果每幀還是要算 50 步，那還是快不起來。

R1 的做法很激進：直接把采樣步數壓縮到 1 到 4 步。

怎么做到的？簡單說就是砍彎路、加引導、動態調配。把原來必須走的冗余計算砍掉，只保留最關鍵的節點；在極少步數里通過額外引導保證畫面質量不崩；根據畫面內容動態調整計算量：簡單的地方少算，復雜的地方多算。

原生多模態讓它聽懂你要什么，自回歸讓它記住前面發生了什么，極致壓縮的采樣讓這一切發生在“此刻”而不是“稍后”。

至于 R1 是不是“世界模型”？

它確實做到了實時、連貫、可交互。這不只是技術指標的提升，更是通向“世界模型”的關鍵躍遷。視頻，作為對人類影響最大的媒介形態，正在成為 AI 理解物理規律、推演因果關系鏈條、應對開放場景的最前沿。真正的“世界模型”，可能將是人類想象力與機器智能共同演化的場域。PixVerse R1 只是實時（Real-time）媒介形態的一個起點，它第一次讓億萬觀眾站在了這個世界的新入口：可以看，更能參與創造。

但方向比完美更重要。

Sora 讓大家相信 AI 能生成視頻，PixVerse 讓大家相信 AI 生成的世界可以通過視覺交互。這是兩件不同的事，后者可能才是通往真正“世界模型”的路。

點個“愛心”，再走 吧