在《黑客帝国》里，The Matrix最可怕的地方，不是它能生成一个逼真的世界，而是可以让这个世界一直运行。
红绿灯照常切换，汽车驶过街口，尼奥可以推开任意一扇门，走进任意一条街，只有当规则偶尔失效、系统露出破绽，人们才会意识到，眼前的现实其实是一套代码。
二十多年后，实时世界模型已经开始靠近这个想象的一部分。模型可以实时生成道路、建筑和人物，用户也可以进入其中移动、探索，甚至直接改变接下来发生什么。但今天的实时世界模型，还很难做到基础的一点：让这个世界持续存在。
爱诗科技最新发布的通用实时世界模型 PixVerse R2，值得关注的也在这里。它并不是简单增加某一种玩法，而是尝试把移动、改写、叙事和角色互动放进同一个持续运行的实时世界里。
上线后，PixVerse R2 迅速登上twitter 热度总榜第二名的位置，获得了海外用户极高的关注度
从用户能够感知到的体验看，大致可以拆成三层。
第一层是实时探索。
相比今年年初首发的PixVerse R1主要通过提示词改变后续画面，R2加入了方向移动、镜头控制、跳跃等更接近游戏的操作。比如在一段滑雪Demo中，人物可以持续向前滑行，也可以随时改变方向。随着视角和路线变化，远处的雪道、山体和环境继续生成。
第二层是实时改写世界。
用户不只决定“往哪里走”，还可以在世界运行过程中继续改变它。例如让R2生成一个繁华都市的街头夜景，用户可以临时要求下雪，也可以让一名路人出现并上前问路。模型需要尽量保留原有街道、人物和空间关系，同时把新的天气、角色和事件加入其中。
第三层是持续叙事和角色互动。
在互动Demo《Zero Mark - 零印法师》中，玩家可以在场景里漫游、召唤怪物、许愿，也可以与其中的角色直接交谈。模型不仅要决定下一帧长什么样，还要记住人物身份、剧情进度和此前发生过的事件。
为了支撑这些体验，R2还增加了一层更底层的能力：多模态、低延迟输入。文字、语音、图片参考、方向键和镜头控制可以共同进入系统，而不同信号对应不同的响应速度——转向、移动需要即时反馈，复杂文本指令则可以留给模型更长的处理时间。
这些能力单独看都不算新，真正的难点在于，它们要同时作用在一个持续的世界状态上。
这也是实时世界模型真正值得想象的地方。
如果一个生成出来的世界能够持续存在、接受人的输入，并根据新的行为不断往前演化，它就不再只是生产视频的工具，而可能成为一种新的数字环境。游戏不必预先写完所有地图和剧情，影视内容可以随观众选择实时展开，数字人、虚拟空间乃至机器人的训练环境，也可以从“被提前制作”变成“边运行边生成”。
The Matrix当然仍是遥远的科幻想象，但通往那种世界的第一步，或许并不是把画面做得更逼真，而是先让一个生成出来的世界真正“活下去”。
一个世界为什么很难既聪明，又跑得足够快？
R2被定义为“实时世界模型”。
“实时”意味着，这个世界不是提前生成完再交给用户，而是跟着人的操作继续往前走；“通用”则意味着，它不只服务于某一种场景。用户可以在里面移动、转向，也可以临时改变天气、加入角色，或者让故事继续发展。
通用实时世界模型每生成一步，都要把刚刚发生过的事情带到下一步里，这条路在哪里、这个人是谁、刚才发生了什么、用户现在又想做什么。
时间越久，链路越长，技术上面临的难度就越大。
一方面是“一致性”。模型需要记住越来越多过去的信息。一个角色不能走出镜头再回来就换了衣服，一栋建筑不能转过身就消失，已经发生过的剧情也不能被下一轮生成覆盖掉。前面的输出还是后面的输入，一个小错误如果没有被及时纠正，也可能一路积累下去。
另一方面是速度。世界越复杂，需要同时维护的状态越多，计算量也越大。但实时交互留给模型的时间非常有限。生成视频慢十几秒，用户可以等；聊天模型停顿一两秒，也还能接受。但如果按下方向键后，几分钟人物才开始移动，这个产品就很难再被称为“实时”。
过去两年，不少团队都在模型能力和速度上做取舍。
Google DeepMind在2025年发布的Genie 3，已经可以用720p、约24帧的速度实时生成环境，并把一致性维持数分钟。用户也可以临时改变天气、加入物体。但DeepMind同时承认，它目前能够处理的动作空间仍然有限，多角色交互和更长时间运行也没有完全解决。
Odyssey选择了另一种方式。Odyssey-1最快可以做到约40毫秒生成一帧，并连续运行5分钟以上。为了让世界不那么容易在长时间生成中“跑偏”，团队主动把后训练的数据分布收窄了一些。但代价也很直接，模型更稳定了，但能处理的世界更窄。
World Labs在做RTFM时，要求单张H100上就要达到可以交互的帧率。但这个要求反过来影响了整个系统设计，它没有让模型无限读取此前所有画面，而是只调取与当前位置有关的空间记忆，以控制上下文和计算量。
这些方案技术上并不一样，但背后的逻辑是一致的：实时不是模型做好之后再考虑的性能指标，而是一条从一开始就存在的预算线。多少算力、多少延迟，基本决定了模型能记多久、世界能做多复杂、用户可以做多少事情。
很多时候，先决定的不是“世界能有多大”，而是“机器能不能跑得动”。
这也是为什么过去不少实时世界模型最终都会在某个地方做减法：缩窄场景、减少动作、限制持续时间，或者降低模型规模。这背后基本是同一个思路：把系统压进实时的计算预算里，再在剩下的空间中增加能力。
R2想尝试的是另一种解法。
根据爱诗科技公开的技术路线，它先扩大模型能够处理的任务、模态和时间尺度，再想办法把同一个模型压进实时运行的延迟范围，而不是一开始就针对某个场景训练一个更小、更窄的模型。
这并不意味着通用和实时之间的矛盾已经被彻底解决。R2在复杂场景细节、物理一致性和更长时间运行上，仍然有明显的提升空间。但它最起码验证了一件事，一个实时世界，不一定先要把自己做小。
R2没有缩小城市，而是换了建城的顺序
R2背后，爱诗做了一个反直觉的选择。与其一开始就在速度和能力之间找一个折中点，不如先把两个问题拆开：基础模型只负责把世界做得足够复杂；等模型学会了，再解决怎么让它跑得足够快。先穷尽能力边界，再攻克效率边界。
R2主要有两个核心训练阶段。
第一阶段是Omni Causal AR。爱诗先训练一个统一的因果世界模型，让它吸收更多视频、任务和交互轨迹，同时把文本、参考图、声音、WASD等性质差异很大的信号，放进同一套模型中处理。
这一阶段的核心是Scaling。R2的Scaling并不只发生在参数规模上，而是同时扩展五个维度：模型容量、数据、任务、控制信号和时间尺度。训练对象从几秒钟的独立视频，延伸到连续长视频和多轮交互；模型需要学习的，也从“下一帧长什么样”，变成“在此前已经发生这些事情之后，世界接下来应该如何变化”。
这首先会带来两个现实问题。
一个是，不同指令发生在不同的时间尺度上。按下方向键之后，几十毫秒内就需要得到反馈；但一句“让天空开始下雪”，影响的却可能是之后数秒的世界。如果把所有交互都切成相同长度的生成单元，要么简单动作响应过慢，要么复杂事件无法完整展开。R2因此引入Dynamic Chunk，让方向移动等简单操作使用更短的生成单元，完整事件则保留更长的时间窗口。
另一个问题是记忆。世界持续运行之后，历史状态会越来越长，但模型不可能在每一次生成时，都重新计算此前出现过的所有画面。R2因此把长期的人物和环境信息、近期动作，以及之后可能再次调用的对象状态分别保存；对于运行过程中已经暴露出的错误，则通过Error Bank重新放回训练。爱诗称，在内部测试中，这套机制将长期亮度漂移指标从0.201降低到0.129。
先把世界训练完整，第二步才是让它真正跑起来。
过去，一套长视频模型要走向实时，往往需要经过多次能力迁移：先从双向视频模型转成自回归模型，再训练用于蒸馏的Teacher，经过 DMD蒸馏，最后还要用Self-Rollout处理训练阶段和真实推理之间的差异。链路越长，每一次迁移都可能损失一部分此前已经获得的画质、动作能力和长程一致性。
R2把这条链路压短了。完成长程训练的Omni Causal AR，直接成为实时模型蒸馏的起点。到了实时阶段，模型不再重新学习一遍“世界应该如何运行”，而是集中解决一个工程问题：怎么用更少的计算，把已经学会的能力跑出来。
爱诗主要从计算本身下手。Block-sparse Attention不再让每一个Token都重新计算完整历史，而是只处理当前真正相关的时空信息。爱诗称，这可以把Attention的稀疏度提高到90%以上。另一套Pyramid方案，则先以较低分辨率确定人物动作、镜头运动和场景结构，再把成本更高的高分辨率计算留给纹理和细节。
所以，R2真正的变化并不只是“用了一个更大的模型”。它没有通过把模型做小来换取速度，而是试着降低一个更复杂模型每一步运行所需要的计算成本。
这层差别决定了，R2面对的不只是一轮性能优化。
如果实时性始终需要靠缩小模型、限制任务或者收窄场景来获得，那么模型每向外扩展一步，都会重新撞上速度这堵墙。能力和效率始终绑在一起，Scaling也就很难持续：模型越强，运行越慢；为了重新获得速度，又不得不削掉一部分已经获得的能力。
到了实时世界模型，问题又多了一层。模型扩大之后，计算成本也会随之增加；而无论能力增长多少，一个需要几秒钟才能响应方向键的模型，都失去了实时交互的意义。
因此，R2目前更值得关注的，并不是它证明了“模型越大越好”，而是它尝试搭出一条让能力和效率相对独立推进的路径。
而只有当世界既足够复杂，又能够持续运行，通用实时世界模型才有机会从“生成内容”进一步变成“生成环境”。
如果世界能够持续运行，最先改变的会是什么？
如果R2这条技术路线成立，它带来的变化，可能不只是把实时世界模型做得更强，而是改变生成式AI生产内容的基本单位。
过去几年，生成式AI交付的大多是一个“结果”：一张图、一段视频、一次回答。用户输入指令，模型生成内容，任务结束。
R2试图把这个单位往前推一步。用户进入一个世界之后，它仍然继续运行。可以往前走，也可以临时改变天气、加入人物；角色不仅出现在画面里，还需要记住刚刚发生过什么，并对新的指令继续作出反应。换句话说，模型生产的不再只是一段已经完成的内容，而是一个仍在等待下一次输入的环境。
最直接的想象是游戏。
今天的游戏世界，大部分内容仍然在玩家进入之前完成。地图提前制作，NPC提前设置，剧情树和任务分支提前写好。即使玩家拥有很高的自由度，也是在开发者已经搭好的世界里行动。
R2展示的是另一种生产方式。在它目前的Demo中，用户已经可以用WASD移动，在世界运行过程中改变环境，也可以和角色进行多轮互动。今天这些能力还远不足以支撑一款真正的开放世界游戏，但它已经让一种更具体的可能性出现：游戏里的一部分内容，不必全部提前做好。
一张地图可以随着玩家前进继续生成；一个角色的反应，可以根据此前真正发生过的对话变化；一些支线事件，也不必在开发阶段穷举全部可能，而是在规则范围内根据玩家行为产生。
过去，开发者需要为大量“玩家可能会去、也可能永远不会去”的区域提前投入美术、关卡和剧情成本。世界模型如果能够稳定运行，一部分内容就有机会从“预生产”变成“按需生成”。
R2目前距离这一步仍然很远。长时间一致性、复杂物理、多角色关系，都还有明显不足。但它已经把“生成之后还能继续玩”从视频模型之外，拉进了产品讨论。
更近的机会，可能还会先出现在视频生产里。
今天很多AI视频工具，本质上仍然更接近“单镜头生成器”，AI降低了第一次生成的门槛，却还没有真正解决影视生产里更麻烦的那部分工作——连续修改、镜头衔接和资产复用。
通用实时世界模型提供的是另一种可能。创作者面对的不再是一段段彼此独立的视频，而是一个可以反复进入、继续拍摄的数字场景。前期可以用它做动态分镜和场景预演，中期可以在同一空间里换机位、改动作、增加角色，后期也有机会只修改局部，而不是整段推倒重来。
这背后更值得注意的变化，是AI视频生产可能从“生成镜头”转向“积累资产”。
过去，一段AI视频生成完成后，它的价值大多停留在这段成片本身。角色、场景和空间关系很难被稳定带进下一个镜头。如果世界模型能够长期维持这些状态，一个角色、一间房、一条街，甚至一座虚拟城市，就可能从一次性的生成结果，变成能够反复调用的生产资产。
R2当然还没有证明，实时世界模型已经跨过真正的临界点。
今天看到的Demo，距离一个稳定、复杂、能够长期运行的数字世界仍有距离。长期运行中，物理规则会有出错，细节一致性和记忆状态会出现偏移。更现实的问题是，当模型继续变大、世界继续变复杂，实时运行的成本能否被持续压下来。
接下来真正值得观察的，是这套方法能否随着规模继续成立：数据更多之后，世界是否更稳定；模型扩大之后，交互是否还能保持实时；当持续时间从几分钟延长到几十分钟甚至更久，人物、空间和规则是否依然能够维持一致。
如果这些能力能够同步提升，R2的意义就不只是一轮模型升级。它证明了，通用实时世界模型不必永远靠做减法来换取速度，而可能拥有一条能力继续扩张、效率持续追赶的演进路径。
特别策划