1月14日，人工智能企業(yè)愛詩(shī)科技在北京發(fā)布了全球首個(gè)支持1080P分辨率的通用實(shí)時(shí)世界模型——PixVerse R1。該模型將視頻生成延遲從“秒級(jí)”降至“即時(shí)”，實(shí)現(xiàn)了“所想即所見”的實(shí)時(shí)交互體驗(yàn)，推動(dòng)在AIGC（人工智能生成內(nèi)容）領(lǐng)域的視頻生成技術(shù)邁入“實(shí)時(shí)交互”新階段。
PixVerse R1通過(guò)三大核心技術(shù)創(chuàng)新，系統(tǒng)性解決了高分辨率視頻實(shí)時(shí)生成的世界性難題。首先是Omni原生多模態(tài)基礎(chǔ)模型。該模型采用統(tǒng)一的Transformer架構(gòu)，將文本、圖像、音頻與視頻融合為單一生成序列，實(shí)現(xiàn)了端到端的跨模態(tài)理解與生成，并在原生分辨率下訓(xùn)練，保障了生成內(nèi)容的一致性與真實(shí)感。
其次是自回歸流式生成機(jī)制。該機(jī)制通過(guò)引入記憶增強(qiáng)注意力模塊，攻克了長(zhǎng)視頻中角色、物體狀態(tài)與環(huán)境邏輯的長(zhǎng)期一致性難題，可生成任意長(zhǎng)度的視頻內(nèi)容，并允許用戶在生成過(guò)程中隨時(shí)插入新指令，實(shí)現(xiàn)動(dòng)態(tài)調(diào)整敘事的“流式交互”。
最為關(guān)鍵的是瞬時(shí)響應(yīng)引擎。該引擎通過(guò)時(shí)間軌跡折疊、引導(dǎo)校正等創(chuàng)新方法，將傳統(tǒng)擴(kuò)散模型所需的50多次采樣步數(shù)壓縮至1到4步，計(jì)算效率提升數(shù)百倍，從而讓動(dòng)態(tài)畫面達(dá)到人眼可感知的“即時(shí)”響應(yīng)水平，為高并發(fā)服務(wù)與未來(lái)終端部署奠定了基礎(chǔ)。
“PixVerse R1首次讓AI能夠基于用戶意圖，實(shí)時(shí)生成一個(gè)持續(xù)演化且物理合理的世界?！睈墼?shī)科技創(chuàng)始人兼首席執(zhí)行官王長(zhǎng)虎表示，這開創(chuàng)了AIGC“正在發(fā)生的現(xiàn)在”實(shí)時(shí)生成新紀(jì)元。
未來(lái)，該應(yīng)用有望廣泛覆蓋游戲、影視、互動(dòng)娛樂及數(shù)字創(chuàng)意等多個(gè)領(lǐng)域。例如，在游戲領(lǐng)域中，該技術(shù)可實(shí)現(xiàn)非玩家角色與環(huán)境的實(shí)時(shí)響應(yīng)；在互動(dòng)敘事中，觀眾可直接用語(yǔ)音塑造劇情，為新一代人工智能內(nèi)容生成領(lǐng)域的創(chuàng)新發(fā)展提供了有力支撐。
