愛詩科技在 2026 年 1 月提出「通用即時世界模型」這一產品方向並推出 R1，目前 PixVerse R2 已全量上線，使用者可直接進入網頁端體驗動作指令和互動影遊的相關互動。這條路線試圖回答一個更根本的問題：大語言模型已經用 Scaling 證明模型、資料和算力可以持續換來更強能力，必須一邊生成、一邊回應使用者的即時世界模型，能不能也走上同一條路？

過去幾年，Scaling 最具確定性的成功故事來自大語言模型。隨著模型容量、訓練資料和計算規模持續擴大，語言模型獲得了更強的理解、推理與泛化能力，「越大越強」由此成為大模型產業最重要的認知基礎之一。但把這條經驗遷移到世界模型，問題複雜得多。語言模型可以在接收問題後集中計算再給出答案，即時世界模型卻必須一邊執行，一邊接收使用者的動作、文字和聲音，同時繼續輸出連貫的音影片內容。這形成一組長期矛盾：即時要求模型足夠快、足夠高效，通用則要求模型足夠強、見過足夠豐富的世界。能力向上擴充套件，計算負擔隨之增加；為速度持續壓縮能力，即時體驗又容易停留在只能完成有限演示的專項模型。

PixVerse R2 給出的答案，是把能力與效率拆成兩層推進。按照官方定義，R2 的 Scaling 同時發生在模型容量、資料、任務、控制訊號和時間尺度五個維度上，最終轉化為使用者可感知的三類結果：更高的生成質量、更強的長程一致性，以及更豐富的多模態控制。

在產品端，R2 即時生成的世界「冬日宮殿」讓使用者面對一個仍在執行的環境。WASD 和方向鍵用於控制移動與視角，新指令可以繼續改變當前體驗；每次操作之後，頁面不會退回獨立的生成流程，使用者仍留在同一個世界裡。技術報告中的 Scaling 最終要回到產品端接受檢驗：它能否讓使用者真正進入一個世界，而不是在一段影片上疊加幾個控制按鈕？

對冬日宮殿會話的 HAR 網路記錄分析顯示，本輪會話中客戶端全程只觀察到一次 session_init 和一次 generation_started。此後八輪系統推薦 Prompt 共享同一條內容流，提示歷史從第一輪連續累積到第八輪，客戶端沒有為每一輪輸入重新預約資源、初始化會話或切換媒體通道。約 119.5 秒的生成窗口裡，所有操作都被組織在同一條持續 session 中。這意味著，從使用者可見的產品流程看，八輪 Prompt 並不是八個彼此獨立的影片任務拼湊起來的，而是當前世界下一步如何變化的連續控制輸入。一次生成不再以交付檔案為終點，還要成為後續行動不斷發生的環境。

同一會話中，HAR 還記錄到 3,355 條結構化 action_frame，傳送間隔中位數約 29.944 毫秒，折算頻率約 33.4Hz。使用者按住 W、組合方向或調整鏡頭時，客戶端持續傳送的是一條高頻、低層控制流，而不是把「向前走」轉寫成一句偶爾觸發的文字命令。傳統 AI 影片中的 Prompt 決定內容大致長成什麼樣，而在持續世界裡，Action 決定使用者此刻正在做什麼。當 Prompt 和 Action 能夠進入同一個執行過程，使用者與模型的關係才會從提出要求、等待結果，進一步變成進入環境、持續行動。

語言與動作也不需要輪流佔用這個世界。每輪 Prompt 從傳送到 prompt_generated 大約經歷 3.9 至 4.5 秒；在第三至第八輪中，Prompt 發出後約 8 至 26 毫秒，Action 就繼續進入控制通道，每個對應視窗內又持續傳送了約 129 至 152 條動作幀。也就是說，處理語義指令時，WASD 通道仍然保持開放，兩類輸入可以同時進入一條執行中的世界會話。延遲資料進一步說明這條即時鏈路怎樣工作：八輪推薦 Prompt 發出後，服務端 prompt_updated 的中位耗時約 1.33 秒，與愛詩所說的「約 1—2 秒響應」處在相同區間；完整 prompt_generated 事件的中位耗時約 4.27 秒。前者代表當前世界流中的指令狀態已經更新，並不等同於使用者恰好在 1.33 秒看見完整目標變化，但它說明從接收、稽核到世界流更新，R2 已經建立起一套秒級 Prompt 協議鏈路。

冬日宮殿也展示了 R2 當前對外開放的產品形態。初始化訊息顯示，它由一張首幀和 345 個字元的 world setting 啟動，同時配置了風格、音樂和 Action 等基礎資訊，並未設定 preset_video_uri。從客戶端可見流程看，頁面沒有播放一段預置底片，而是通過 pipeline=r2 返回持續生成的即時媒體。

如果說冬日宮殿展示的是「世界怎樣持續回應使用者」，那麼互動影遊 Zero Mark 展示的則是這套能力「如何進入一段更長、更有結構的內容產品」。兩者在介面上已呈現明確分工：World 直接提供 WASD、鏡頭和 Prompt，強調自由移動與即時變化；Story 則以結構化劇情選擇和電影化演出組織長敘事，同時保留文本入口，為固定分支之外的變化預留空間。HAR 進一步確認，兩者採用了不同的產品 pipeline：Winter Palace 執行在 r2 pipeline 中，Zero Mark 則使用 director pipeline。後者維持了一條約 20 分鐘的長 session：53 次有效狀態響應始終指向同一脫敏 session，狀態保持為 ACTIVE，媒體通道也沒有改變。同一長會話中還出現了多次媒體軌道分段切換，與 Director 的段落化編排形態相吻合；頁面記錄則確認了多次結構化劇情選擇，以及一次文本入口點選。本輪網路記錄中，同一會話裡同時出現了結構化選擇、即時媒體，以及八段預先準備的 1080p、24fps 關鍵電影資產。它們共同守住關鍵敘事節點的節奏與電影完成度，併為世界模型提供的開放變化留下入口。

技術解法上，PixVerse R2 把能力與效率拆到兩個層次分別推進：Omni Causal AR 負責持續抬高世界模型的能力上限，Real-Time Acceleration 再把上游能力帶回低延遲、可互動的執行區間。Omni Causal AR 是能力引擎，目標是把文字、參考圖、聲音和 Action 納入統一的因果世界模型。它用 Dynamic Chunk 適配不同控制訊號的時間粒度，通過分層的歷史與物件狀態機制維持長期錨點、近期動態和關鍵物件，再借助 Error Bank 等設計，讓模型學習如何從已經發生的偏差中繼續執行。Real-Time Acceleration 則是加速引擎：R2 不讓一個新的少步模型從頭學習整個世界，而是從同一個 Omni Causal AR 基礎初始化 Student 與蒸餾 Teacher，再通過同源蒸餾、稀疏計算和金字塔式少步生成，將上游已經獲得的生成、控制和長程能力盡可能完整地帶回即時區間。按照官方公開口徑，這套系統還試圖把世界模型壓縮到消費級單卡可以即時執行的範圍，使更強的基礎模型不必天然意味著更遠離使用者的離線演示。

愛詩走到 R2，首先源於對問題的不同定義。它沒有去持續追問怎樣再生成一段更長的影片，而是去思考怎樣讓生成內容成為一個使用者可以進入、可以行動、還願意繼續停留的世界。R1 先把生成影片轉變為持續互動過程，R2 再把擴大能力上限與壓入即時執行拆成兩個層次，這條演進路線從一開始就同時包含模型問題與產品問題。按照官方口徑，PixVerse 已擁有全球 1.5 億使用者，並從 2026 年 1 月起向普通使用者開放世界模型體驗。C 端即時服務會把延遲、併發和單位算力成本直接變成產品約束，因此 Real-Time Acceleration 不是基礎模型完成後的附加最佳化，而是整條路線本身的一部分。

從行業視角看，世界模型正在沿幾條不同路線快速抬高能力邊界。Google DeepMind 的 Genie 3 強調高解析度、數分鐘一致性與 Agent 訓練；Decart Oasis 3 把低延遲、多視角和 Physical AI 部署作為重點；World Labs Marble 選擇先生成可持久、可編輯和可匯出的顯式 3D 世界；HappyOyster、Odyssey 等路線，則分別向即時漫遊、導演模式和通用互動影片推進。它們分別代表能力、部署效率、顯式空間和產品形態的不同方向。如果用能力與通用性作為橫軸，用即時互動效率與產品可執行性作為縱軸，傳統方案往往需要在一條曲線上選擇位置：更強的模型可能執行得更慢，更快的模型又可能只覆蓋少量任務。R2 通過 Omni Causal AR 與 Real-Time Acceleration，讓能力和效率擁有可以分別推進的結構；它希望做到的，不只是在現有曲線上找到一個更好的靜態座標，而是讓整條曲線具備繼續向右上移動的可能。

當內容從檔案變成 session，生成式娛樂的產品單位也在發生變化。AI 影片與即時世界模型最根本的差別，或許不在於多了幾個控制鍵，而在於使用者進入的不再是一段等待播放的成品，而是一個持續執行、持續響應、可以不斷被改變的環境。這條路徑能否真正兌現「越大越強」的承諾，仍要看它在真實使用者規模下的延遲、成本與內容質量表現。