世界模型，真的不一样了。
文/秋秋
老实说，我过去对世界模型有过刻板印象，总觉得它是一门偏「糊弄」的技术。
高情商地说，它的画面走意识流；低情商地说，提示词一输进去，像是在搅一锅东西。当时还有同事吐槽说，所有世界模型都烂得平等……至少在那会儿的体验里，很多东西看起来不怎么靠谱。
直到最近看到PixVerse R2的演示Demo，我才反应过来，世界模型已经不一样了。
演示视频里，我印象最深的是一段送信任务，用户一边按方向键跑路，一边打字说要一条密道。结果AI不仅生成了，还顺手给密道配了个开门UI，我当时都愣了一下，反复回看：这真不是魂游的逃课路线？
推出R2的爱诗科技，在上个月刚拿到了由阿里巴巴领投，共计29.8亿元的C轮融资。之前我们也分享过，项目背后还有前腾讯天美发行制作人、前叠纸CTO负责孵化。
没想到拿完融资才一个月，PixVerse又做了这么大的迭代。从R1跑通可交互视频，到现在R2真正可玩、可用，甚至在导演的监制下，R2能做到惊艳的「互动影游」体验。
导演小笼包的中世纪魔法题材作品《Zero Mark》预告
趁着R2公布几段演示Demo和技术报告的节点，我们或许也该重新认识一下世界模型：它进化到哪一步了？又会给游戏行业带来什么新影响？
01
世界模型进化到哪一步了？
话不多说，我们先看一下R2的演示Demo。Demo大致分三个方向：世界探索、故事剧情、角色交互。
其中，世界探索方向的Demo，展现了「低成本做游戏」的可能。
首先R2给了一个响应更丝滑的「游戏框架」。相比R1只能靠提示词改变世界，R2额外加了镜头控制、方向移动、跳跃这些更具游戏味的操作，且生成的延迟更低。比如修仙题材的Demo中，角色往前走，路随之往前延伸，云雾缭绕中场景渐隐生成，好像路本来在那里。
其次是能在框架中做玩法了。比如Demo里有两个连续的桥段。一个是角色转弯看到墙上藏着的门，推开直接进了密道；另一个是输入「衣服变成巡逻的样子混入其中」，角色一秒换装入戏。
这个潜行伪装桥段如果放在正经游戏里，设计师估计得键盘敲冒烟了，去做服装、动作、交互，改角色敌对状态……搞出一整套系统，才能保证玩家有不错的体验——但在Demo里，只是两句话的事。
故事剧情方向的Demo，则选择了另一条「游戏」路线：互动影游。
Demo有明确的打Boss主线，路上会遇到各种状况，AI会主动抛选项给你：是莽还是逃？该用什么武器？你可以像玩互动影游那样只做选择题，也可以自己输入提示词开新分支。这条路的未来发展方向，可能是一部画面衔接自洽、分支管够的实时互动影游。
角色交互方向的Demo就更加特殊了，因为它做的是真实自然的人物。
在直播带货Demo里，用户可以随时文字打断提问和猫粮有关的问题，主播说完当前这句会自然接话；
闺蜜交流的Demo里，你发语音让角色挎个包，她的动作神态也跟真人没什么两样。要知道，R2走的是视频生成路线，每一帧画面都是AI算出来的，不靠建模或预设动作，所以能做到真假难辨的地步，是一件可怕的事情。
视频还做出了手持拍摄的轻微晃动感
据了解，Demo选择真人出镜的题材，是因为这个方向最具挑战，如果换成3D、2D动漫风格会更轻松。可以预见，它拥有陪伴类游戏、虚拟偶像、文旅、电商等诸多落地方向。
看到这儿，可能大家还是有点迷糊：这样的Demo表现意味着什么？这样的技术很强吗？世界模型的进步到底在哪了？
关于强在哪里，可以打个比方。大家觉得画面很惊艳的视频模型，像是把水冻成冰再雕成冰雕，造型上限可以很高，但一雕成就定死了；世界模型则是让水一直流着，还要随时把它塑成你要的形状。
所以世界模型的技术实力和挑战在于不同的维度，光看Demo确实很难理解，得配着R2的技术报告一起食用。
简单来说，R2对管线做了大刀阔斧的修改，把管线从层层传递、层层折损，改为一个多模态模型力大砖飞直接输出，再将它直接蒸馏成实时版本——五层接力，变成了两步直达。
图 1｜旧式多阶段Pipeline与 PixVerse R2 Scaling World Modeling对⽐：R2将能⼒扩展与实时蒸馏收敛为Omni Causal AR和实时加速层两个核⼼训练过程，并在同⼀框架中统⼀多任务、多信号与⻓视频建模。
基于新管线和框架，R2主要优化了三部分。
一是体验更沉浸丝滑。
R2升级了多模态输入，支持语音、文字、音频/图片参考、方向/镜头控制等方式，而且可以同时输入——送信Demo里你能边跑边打字，用的就是这个技术。
图 2｜PixVerse R2 Omni Causal AR：模型可以在运⾏过程中持续接收不同类型的控制信号；在每⼀个交互时刻，当前⽣效的信号与对应粒度的动态⾳视频Chunk对⻬，并驱动下⼀段视频与⾳频⽣成。
在此基础上，R2还会用Dynamic Chunk给指令分级。上下左右移动的操作需要毫秒级反馈和生成，复杂提示词则需要一段完整的演出。提前把这些东西分好，AI就不用在反应和演出之间纠结。因此R2的生成延迟比R1大幅降低。
二是画面更不容易崩。
R2的记忆系统分为三层：Sink Memory储存规则、风格、场景、角色这些长期锚点，决定世界长什么样子，类似编剧；Rolling History处理和优化动作、镜头等衔接，类似分镜师；Object KV Cache储存AI对这个世界的理解，类似场记。这三者协同，能在一定预算内，降低角色漂移、场景突变、跨段闪烁和动作断裂等画面崩坏的概率。
图 3｜Hybrid Teacher / Diffusion Forcing的统⼀Causal Attention Mask与 Relative Temporal RoPE。上⽅展⽰两种历史构造的因果可⻅性，下⽅通过编号⾏展开代表性Query的Q/K Block、 Relative Slot与RoPE ID映射，说明真实Block ID持续推进，⽽窗⼝内时间坐标始终保持有界。
有意思的是，他们还会给AI饭里掺沙子。
道理很简单，你光给AI喂好的，那真实情况下给它稍微吃得差了点，反应就会特别大，画面说崩就崩；光喂差的，输出质量又上不去。所以把两种内容按配比同时喂给AI，它才有「耐受性」，出了小错能自己稳住和修正。
据他们的评测，这套逻辑对亮度色彩漂移、静止场景里的错误运动、角色状态偏移尤其有效。其中亮度漂移指标从约0.2降至0.13，降幅35.8%；29个长序列样例中有20个获得改善。
你可能也发现了，亮度、状态、静止时乱动这些问题，刚好是数字人最怕的崩点。R2 Demo里那些真假难辨的角色，背后多半有这套记忆系统的发力。
第三，也是最务实的——省钱。
R2采用了Block-sparse Attention技术，让AI只把注意力花在关键的地方，思路很像游戏渲染里的「看不见的不画」。简单来说，这一项把AI的注意力计算量砍掉了90%以上，但画面质量、动作连续性、长时稳定性没有明显退化。
另外还有Pyramid Ultra-few-step Distillation技术，先用低分辨率打底，确定场景、运动和镜头，再用高分辨率精修纹理细节，类似游戏研发中的「白模-贴图」环节，让AI生成的延迟更低、重复计算更少；DDMD的正则对抗，保证在极少的生成步数下，指令响应依然精准、画面依然精细，给「两步直达」的管线兜住了质量下限。
R2不仅在模型内部省钱，还在产品层面做到了开箱即用。据了解，R2 的最新版本已经把AI知识库、语音都集成进了模型内部，真正做到音画同步输出，厂商只需要接一个API，就能用到完整的模型能力，不用额外付费或外挂能力。
当然，目前R2只公开了几段几十秒的演示Demo和技术报告，他们自己也在报告里承认，R2的生成质量距离前沿的离线视频模型还有差距，模型仍处于预训练研究阶段。
也就是说，虽然他们摸索出了一条比较明确的路线和框架，但上限在哪，还需要持续验证。
02
给游戏行业开了个口子
虽说挑战还有不少，但到了这个阶段，世界模型能讨论和想象的空间已经大多了，对游戏行业的影响也更清晰了。
其中最先可能发生的影响，是一些游戏品类可能会有新变化。
比如互动影游类产品。自从《完蛋！我被美女包围了！》爆火，这个品类焕发了第二春，但最大的挑战一直是成本。不管真人实拍还是AI生成视频，都要先做出数十上百小时的内容，游戏还没见着玩家，钱就先花出去了。
而世界模型实时生成内容，相当于后置了很多成本，回收风险更低。至于大家担心的生成质量，我认为类比AI短剧的发展趋势，后续会有一批人能接受这种明知是AI，但还是想图一爽的内容，R2也许能正好卡在这个需求上。
比如近期爆火的互动影游小游戏《别崩人设啊》
可点击查看大图
有意思的是，今天PixVerse官方还公布了三段基于R2世界模型的互动影游Demo，除了上面导演小笼包的作品《Zero Mark》外，还有导演JadeWu的科幻恐怖题材作品《畸变回声》；
以及导演也毛的科幻太空探索作品《Battle of the Moon》，在有导演的精细监制下，R2的生成质量显然高出了很多。
再比如情感陪伴类游戏。前面说过，R2生成的角色一致性高、交互自然，比起3D/2D建模加动作库的传统路线，在成本、流畅度、交互体验上都有优势。未来的二次元、女性向产品，或许真能用上这个技术。目前爱诗内部孵化的两款项目已经在尝试应用，还有一批潜在合作伙伴正在接触。
爱诗孵化的乙游项目的PV画面
稍远一点的影响，是游戏研发。
世界模型的流程是从文字直接跨到可交互的「游戏」。这意味着开发者脑子里的东西能更快落地。比如策划直接用文字预览游戏Demo，让玩法创意、画面机制用更具体的方式呈现。甚至更进一步，游戏研发这件事，能不能靠世界模型实现边做边测？
再往远处说，创造和体验的边界可能会被进一步模糊。
比如玩家的娱乐方式，变成了随时随地创造出世界；或者未来游戏对抗的形态从规则变成想象力，你能掏出飞机大炮，我能修仙斗法……
再比如UGC会不会成为一个更普遍的现象？毕竟《我的世界》将编程语言变成方块，就撑起了这么大的创作生态，那直接用自然语言造世界，潜力会不会更大？
R1目前可以输入几个字，等待30秒后，生成一个可持续运行5分钟的世界，创作门槛极低
当然，上面这些内容更多只是未来畅想。而且我猜聊到这里，有的朋友又要问那个问题了：世界模型会跟游戏行业竞争吗？
我对此倾向于乐观。
首先，世界模型更像全新的娱乐形态，仍处于萌芽期。画面和玩法在很长时间内都赶不上主流游戏。有从业者表示，他们的世界模型产品跟《荒野大镖客2》比，可能连万分之一都做不到。
其次，两者的体验存在一定错位。大家玩游戏，更多玩的是创作者的独特表达，美术、玩法、叙事等都是收束的；而目前来玩世界模型的人，有不少玩的是随机体验、控制欲、想象力，反而模型生成得越离谱越好。玩家上号玩精品游戏，闲下来再随手造个世界，两件事并不冲突。
R1世界模型，输入核爆炸、飙车、吃饭（动图有剪辑）
最后，两者有互补的趋势。游戏行业一直在追求GaaS化和无限游戏，需要源源不断的内容留住玩家，而世界模型等AI技术，是能持续提供内容的主流手段；反过来，世界模型需要海量数据和规则去收束训练，游戏又是采集数据、验证成果最好的场所之一。
其实回头看，「游戏」这个词的边界一直在变化。从线下娱乐到游戏机、单机、端游、手游……每一次技术突破，都让游戏的形态扩容一次。
而这一次，站在边界上的是世界模型——它未必会长成我们所熟悉的游戏的样子，但它构建的世界、带来的体验，很可能会在下一轮扩容中扮演重要角色。
目前PixVerse R2已经开启了体验申请，感兴趣的朋友可以点击「阅读原文」参与报名。
（星标可第一时间收到推送和完整封面）
热门跟贴