PixVerse像做夢(mèng)一樣做世界模型

「一個(gè)很有主體性的模型」

過(guò)去一年，AI圈的詞語(yǔ)通貨膨脹是不是有點(diǎn)太嚴(yán)重了？

動(dòng)輒「又一個(gè)DeepSeek時(shí)刻」，動(dòng)輒「開(kāi)啟XX時(shí)代」，隨便一個(gè)產(chǎn)品或功能的推出或更新，都要逼著歷史的車輪滾滾向前。

我只想說(shuō)時(shí)光時(shí)光慢些吧不要再讓我變老了

最近害我離退休更近一步的是PixVerse R1。

此產(chǎn)品一出，AI視頻的DeepSeek時(shí)刻也到來(lái)了，無(wú)限流時(shí)代也開(kāi)啟了，網(wǎng)友家人們又震撼激動(dòng)不已了。

于是我也跟風(fēng)試了試咱們這個(gè)全球首個(gè)支持最高1080P分辨率通用實(shí)時(shí)視頻生成模型。

至于這個(gè)實(shí)時(shí)視頻生成是什么意思，我們后面再詳細(xì)講。

輸入邀請(qǐng)碼點(diǎn)進(jìn)來(lái)之后，看到PixVerse R1貼心地給我們準(zhǔn)備了幾個(gè)世界觀模板。

從龍與地下城到塞爾達(dá)，從滑雪潛水到月球行走，文藝b、真假中產(chǎn)、二次元哥姐們以及各類小眾愛(ài)好者都能在這里找到自己的一席之地。

哪怕沒(méi)找到，也能輸入提示詞定制屬于自己的世界觀。

不僅能選擇畫(huà)面比例，還能選擇視角。

我嫌麻煩，直接點(diǎn)進(jìn)那個(gè)叫Tokyo Streets的模板，嘗試在東京街頭嘎油嘎油。

按下開(kāi)始按鈕，視頻就自動(dòng)開(kāi)始生成，一個(gè)黑衣紅裙女子在川流不息的十字路口漫步。

而且是一直漫步，同時(shí)移步換景，周圍的高樓大廈和路人甲都實(shí)時(shí)生成出來(lái)。

這也是PixVerse R1宣傳的一個(gè)重點(diǎn)：無(wú)需人工干預(yù)，視頻自動(dòng)無(wú)限流生成。

現(xiàn)在因?yàn)榻o大伙免費(fèi)體驗(yàn)所以限時(shí)5分鐘，技術(shù)上可以實(shí)現(xiàn)生成到永遠(yuǎn)。

一個(gè)很有主體性的視頻模型。

然后如果你也有一些，就可以在頁(yè)面下方的對(duì)話框里輸入提示詞，隨時(shí)改變視頻的走向。

于是我在顱內(nèi)模擬了一個(gè)，該女子假意嘎油（咸魚(yú)注：東北話溜達(dá)）在日本街頭，實(shí)則是準(zhǔn)備對(duì)安倍晉三進(jìn)行正義執(zhí)行，最后被哥斯拉從法院救走的故事。

用PixVerse R1做了一下，生成出了下面這個(gè)作品。

和目前市面上流行的Sora 2、Veo 3不一樣，PixVerse R1確實(shí)能做到近乎實(shí)時(shí)生成。

在輸入提示詞的5秒之內(nèi)，畫(huà)面就能隨即改變。

而且不是硬切，畫(huà)面是連續(xù)的。

但該說(shuō)不說(shuō)，問(wèn)題很多。

比如這個(gè)畫(huà)面雖然連續(xù)，但變化并不絲滑，甚至我覺(jué)得都不如疊化轉(zhuǎn)場(chǎng)。

在短片中有一個(gè)情節(jié)，是我讓這個(gè)女主角打車前往法院，并進(jìn)入法院內(nèi)部。

結(jié)果這個(gè)出租車直接幻影坦克顯形了，法院建筑也平地起高樓了。

之前我怎么不知道日本基建這么速度？

再比如，人一多就亂套。

當(dāng)我給女主角委派了山上徹也支線任務(wù)，整個(gè)畫(huà)面就完全崩潰了。

我輸入兩段提示詞：

「安倍晉三從天而降，擋住了女子的去路；女的掏出一把機(jī)關(guān)槍，掃射安倍晉三。」

生成的這玩意有人能看懂不。

男的一出現(xiàn)，女的就掉線，但最后男的直接變身女的了，這里面引戰(zhàn)成分太多我沒(méi)法思考了。

但總的來(lái)講，這已經(jīng)不是人物一致性能不能保證的問(wèn)題了，這連人物是不是一個(gè)性都沒(méi)法保證了。

再再比如我最不懂得一點(diǎn)，就是這個(gè)女主角永遠(yuǎn)在走路，永遠(yuǎn)Citywalk永遠(yuǎn)熱淚盈眶

不管是遭受了邪惡公審：

還是偶遇了路上猛然出現(xiàn)的哥斯拉：

乃至于被核廢水給襲擊了之后：

姐們都是假裝一切都未曾發(fā)生，把走路作為方法。

且和出現(xiàn)的一切都不發(fā)生任何關(guān)系，保持清冷感。

哪怕我明確發(fā)布指令，跪下來(lái)求女主角停下來(lái)，她也是師承是枝裕和，步履不停，永遠(yuǎn)在路上。

好似迷失東京了一般。

就這讓我陷入深思：如果你的實(shí)時(shí)生成，就是把一個(gè)元素像貼圖一樣扔進(jìn)來(lái)，和角色也不產(chǎn)生交互，也沒(méi)推進(jìn)任何劇情，這對(duì)視頻到底有什么意義？

因?yàn)槲铱吹胶芏嗖┲髡f(shuō)，這個(gè)PixVerse R1能無(wú)限流探索，能玩跑團(tuán)，我誠(chéng)心發(fā)問(wèn)，你們是咋用它跑團(tuán)的？

主角就一直走，看到NPC也不說(shuō)話，遇到伙伴也不接收，學(xué)了技能也不用，最后見(jiàn)到boss也不打，boss也不打他，就一直走。比走線的都愛(ài)走。

家人們這不是跑團(tuán)，這是暴走團(tuán)。

至于什么人物走形、字體亂碼，我覺(jué)得這都是產(chǎn)品初期的小問(wèn)題，日后肯定是會(huì)不斷優(yōu)化。

但上面這三點(diǎn)是真讓我用起來(lái)很難受的。

這時(shí)候有人要說(shuō)了，你用評(píng)判傳統(tǒng)AI視頻的方式來(lái)對(duì)PixVerse R1指指點(diǎn)點(diǎn)，是揚(yáng)短避長(zhǎng)，是不講武德搞偷襲。

因?yàn)槟兀跴ixVerse R1可不是簡(jiǎn)單的AI視頻模型，人家是世 · 界 · 模 · 型。

啥叫世界模型？說(shuō)實(shí)話我之前沒(méi)有仔細(xì)研究過(guò)，搜了一下發(fā)現(xiàn)這詞處于話語(yǔ)權(quán)爭(zhēng)奪階段，各個(gè)山頭都有自己的說(shuō)法和產(chǎn)品。

像李飛飛的Marble和Google做的Genie 3，是生成那種可拓展可操縱的3D世界。

英偉達(dá)的世界模型屬于toSi項(xiàng)目，生成視頻給機(jī)器人看，用來(lái)訓(xùn)練自動(dòng)駕駛汽車啥啥的。

PixVerse R1呢，則更像是Odyssey-2的路數(shù)，就是先限定一個(gè)主題，然后生成無(wú)限的連續(xù)的的視頻，中途還能輸入提示詞隨時(shí)修改。

Odyssey-2的界面

我也用了下Odyssey-2，發(fā)現(xiàn)它的問(wèn)題是，隨著視頻生成，角度越來(lái)越仰，人物越來(lái)越大，畫(huà)面也越來(lái)越瘋狂，就跟做夢(mèng)一樣。

他們自己估計(jì)也知道，所以在官網(wǎng)親自找補(bǔ)說(shuō)，咱們這產(chǎn)品就是用來(lái)模擬你的實(shí)時(shí)夢(mèng)境的。

用戶直接一拳打在棉花上。你這都是夢(mèng)了我還有啥說(shuō)的，同一個(gè)世界模型同一個(gè)夢(mèng)想唄。

但Odyssey-2這種越往后視頻越?jīng)]法看的問(wèn)題，是此類實(shí)時(shí)互動(dòng)視頻產(chǎn)品的通病。

就是隨著視頻的不斷生成，本來(lái)不起眼的小問(wèn)題和預(yù)測(cè)會(huì)不斷累積，導(dǎo)致視頻越長(zhǎng)越走形。

PixVerse R1的畫(huà)質(zhì)比Odyssey-2好了不少，但在這個(gè)問(wèn)題上沒(méi)什么改進(jìn)。

我打開(kāi)一個(gè)叫Moonwalk的模板，試圖在里面擊碎美國(guó)登月的謊言。

一開(kāi)始畫(huà)面還挺流暢自然。

到了三四分鐘的時(shí)候，背景的星空直接像素化了，疑似地球流浪了黑客帝國(guó)情景再現(xiàn)了。

越往后越?jīng)]法看這事，PixVerse官網(wǎng)的報(bào)告里倒是也承認(rèn)了。

PixVerse R1或許是為了把這方面的影響減到最低，對(duì)自己使用了大記憶清除術(shù)。

具體而言，畫(huà)面里這個(gè)主角，無(wú)論你是讓他跑還是跳，讓他換衣服還是摘眼鏡，是變性還是變形，5秒之內(nèi)都會(huì)回到原樣。

且無(wú)論當(dāng)我嘗試在畫(huà)面中增加任何人物動(dòng)物地形建筑之后，它確實(shí)會(huì)生成，但5秒之內(nèi)也會(huì)全部消失。

然后回到原點(diǎn)，開(kāi)始漫無(wú)目的地行走，等待下一個(gè)指令。

咋說(shuō)呢，之前上面不是提到了好幾個(gè)流派的世界模型，它們雖然產(chǎn)物不同，但核心點(diǎn)是統(tǒng)一的，就是要既能實(shí)時(shí)交互，又保持邏輯上的持續(xù)性。

或者至少得朝這個(gè)方向努力，不然咋能稱之為一個(gè)世界。

PixVerse R1在實(shí)時(shí)交互這方面，確實(shí)是做的不錯(cuò)的。

但在持續(xù)性這方面，它直接通過(guò)強(qiáng)行回到起點(diǎn)這個(gè)行為，把需要解決的麻煩繞過(guò)去了。

對(duì)吧，咱不是沒(méi)給你生成這個(gè)那個(gè)的，也不是對(duì)后面沒(méi)影響，只是它自己消失不見(jiàn)了，咱也不知道咋回事，但咱這個(gè)模型是持續(xù)的無(wú)限流的一直生成到世界末日的。

這叫耍賴，兄弟。

你這不就是硬把自己往世界模型這個(gè)概念上湊，想通過(guò)跟網(wǎng)友之間的信息差彎道超車曲線救國(guó)嗎？

看現(xiàn)在這個(gè)全網(wǎng)盛贊的狀態(tài)，這招還可以。

最后還是中肯地說(shuō)一下，PixVerse R1有自己的優(yōu)點(diǎn)。

比如它確實(shí)好玩。用別的視頻模型的時(shí)候總有一種要生成個(gè)什么杰作的上班心態(tài)，用PixVerse R1就是純生成，發(fā)狠了忘情了不管結(jié)果了，就純逗自己玩，挺有樂(lè)子的。

而且如果它非得說(shuō)自己是世界模型，那它還是個(gè)少有的咱老百姓能上手用的世界模型，這真世界大同了。

但是在視頻生成能力還處于從夯到拉排行榜的NPC這個(gè)階段的時(shí)候，就開(kāi)始搗鼓世界模型，是不是有點(diǎn)沒(méi)學(xué)會(huì)走就開(kāi)始急著跑，沒(méi)好好跑就開(kāi)始炒了呢？

（本文封面由ChatGPT 生成，純?nèi)斯?xiě)作）