PixVerse R2（实时世界模型）

是什么

PixVerse R2 是 PixVerse 于 2026 年 9 月 22 日发布的实时世界模型（real-time world model），是对此前 R1 的升级。^[1] 它和视频生成器的差别在于时间关系：视频生成器产出的片段在被人观看之前就已经完成，而实时世界模型在用户身处其中时持续生成一个可以漫游的世界。^[1] 用户的移动和操作本身成为生成的输入之一，世界在被探索的同一刻被生产出来。

由来

R1 于 2026 年 1 月推出，当时被描述为第一个实时世界模型。^[1] R2 是这一系统之后的续作。2026 年 7 月上线的 PixVerse Game Engine 现在运行在 R2 上。^[1] 用它生成的世界可以在 world.pixverse.video 上直接游玩。^[1]

两段式设计

系统在架构上被拆成两部分：Omni Causal AR 作为能力主干，另有一个实时加速层对它进行压缩。^[1] 这样拆分的用意可以这样理解：主干模型决定这个世界能包含什么，压缩后的加速层决定它跑得够不够快，快到一个人可以实时与之交互。PixVerse 表示，这种拆分避免了传统多阶段训练流程（multi-stage training pipeline）带来的质量损失——在那类流程里，每一次阶段之间的交接都会让模型退化。^[1] 这个问题在机器学习里并不陌生：当系统由分别训练的部件拼装而成，每个接缝处都会漏掉一点东西，最后拼出来的系统往往比任何一个部件所暗示的水平都要弱。

会话中发生了什么

R2 在一次会话内保留状态（state），因此早先做出的操作仍然会影响之后发生的事。^[1] 一个记得住事情的世界，和一个每次用户转身就重新生成的世界，在性质上并不相同：用户做过的事留下的后果留在世界里，而不是在下一帧被抹掉。

输入也不止一个通道。R2 在同一个运行中的世界里接受文本提示、参考图像、音频和动作控制。^[1] PixVerse 说，这套系统瞄准的是更长的会话而不出现漂移（drift）、生成中途的输入，以及错误的修正而非累积。^[1] 这里的漂移指的是缓慢的偏离：生成的世界逐渐不再像它最初的样子。错误出现时就地纠正，而不是让它们堆叠起来，是公司描述的另一种做法。

处在什么位置

公司首席执行官王长虎（Changhu Wang）表示，实时世界模型可以沿着与大语言模型相同的扩展（scaling）路径发展。^[1] 这个说法把 R2 放进了一场更大的讨论里：交互式生成世界不是一份固定的内容，而是一类被期待随着规模变大、训练变多而持续变好的模型，就像语言模型那样。这个类比是否成立尚无定论，但它确实是 PixVerse 为这次发布设定的框架。

对一个想弄清 R2 位置的读者来说，可以这样概括：它试图把生成的世界从「你观看的片段」推进到「你身处其中、并且会再回来的空间」，记忆、多种输入通道和纠错是设计里本来就有的部分，而不是事后补上的。^[1]