世界模型 API，開放申請｜PixVerse R1，新春獻禮

我有一個判斷：

世界模型生成的內(nèi)容，未來的主要消費者，可能不是人，是 Agent

愛詩做的通用實時世界模型 PixVerse R1，這次做了一輪大更新。720P 高清實時生成全面開放，畫面穩(wěn)定性提了一檔，UGC 創(chuàng)作者社區(qū)正式上線，同時面向外部開放世界模型 API 接口（邀請制）

在這里申請：https://aisphere.feishu.cn/share/base/form/shrcnV1ZJhUDBLWJ8vub36t3z4f

可能有些朋友沒見過 R1，先說清楚它和現(xiàn)在市面上所有 AI 視頻工具的區(qū)別

現(xiàn)在的 Sora、可靈、Runway、海螺，邏輯都一樣：寫一段描述，等渲染，拿到幾秒到十幾秒的成品視頻，想改就重來

R1 做的事不一樣。你給它一個起始場景，它會一直往下生成。持續(xù)的、沒有時間限制的畫面。你隨時可以打字或者說話來改變劇情，它實時響應(yīng)

一個跑不停的世界，和一段幾秒的視頻，根本不是一回事

這些畫面都在持續(xù)跑著，沒有固定的結(jié)束時間，角色自己在動，鏡頭自己在切，劇情自己在往下走

你不說話，它自己演

它編出來的劇情走向，跟人類的敘事直覺經(jīng)常不一樣。人寫故事習(xí)慣起承轉(zhuǎn)合，有節(jié)奏。R1 不管這些，它按自己對世界的理解去推。有時候生成出來的轉(zhuǎn)折，你會覺得這個邏輯好像只有 AI 自己能看懂

看到這里，回到開頭那個判斷

這些持續(xù)生成的畫面，到底是給誰看的

聊 AI 視頻的時候，大家會不自覺地在一個框架里想問題：畫質(zhì)夠不夠高，時長夠不夠長，鏡頭語言夠不夠?qū)I(yè)，故事夠不夠打動人

這些考量背后有一個前提——所有的「好不好」，都是按人類的審美、人類的注意力、人類的情緒共鳴來評判的

當(dāng)你還在想「怎么讓 AI 幫人出更好的視頻」的時候，思考已經(jīng)被這個前提限住了

Google 之前做了一個東西，直接把這個前提換掉了

他們有一個 Agent 項目叫 SIMA 2，能在 3D 環(huán)境里自己理解目標、自己規(guī)劃路徑、自己執(zhí)行。關(guān)鍵的一步：他們把 SIMA 2 丟進了 Genie 3（Google 的世界模型）生成的世界里

SIMA 2 在 AI 生成的世界里自己走，自己試錯，自己學(xué)。失敗的任務(wù)，幾輪自我訓(xùn)練之后就能完成。不需要人類標注數(shù)據(jù)，不需要人類提供游戲錄像

Google 管這個叫「自我改進循環(huán)」。Agent 在 AI 生成的世界里試錯，Gemini 對行為打分，結(jié)果存進經(jīng)驗庫，下一代 Agent 在這個基礎(chǔ)上繼續(xù)訓(xùn)練。每一代比上一代強，人不需要介入

往下想一步

世界模型生成世界，Agent 在里面訓(xùn)練自己

訓(xùn)練完的 Agent 能力更強，需要更復(fù)雜的世界來繼續(xù)訓(xùn)練。世界模型和 Agent，互相喂

在這個循環(huán)里，世界模型生成的畫面、場景、物理規(guī)則，全都是給 Agent 消費的。人可以看，但人看不看，不影響循環(huán)轉(zhuǎn)下去

Token 的主要消耗者正在從人變成 Agent。一個人可以同時跑 10 個 Agent，每個 Agent 每天調(diào)用幾千幾萬次接口。世界模型把這個邏輯往前推了一步——Agent 所消耗的，不光可以是文字 Token，還應(yīng)該是視覺世界。需要在 AI 生成的環(huán)境里走動、試錯、理解物理規(guī)則、練習(xí)交互

R1 這種能實時、無限時長生成的世界模型，最大的下游用戶可能根本不是人類創(chuàng)作者

那問題就來了

如果世界模型的第一批重度用戶不是人，PixVerse 這次更新的 UGC 社區(qū)、創(chuàng)作者模板庫、720P 畫質(zhì)，這些全是面向人類用戶的功能

這中間有一個張力

也許恰恰是因為現(xiàn)在面向人類用戶把實時生成的體驗做到位了，底層的推理效率、畫面一致性、交互響應(yīng)速度這些硬能力才能被逼出來。等 Agent 大規(guī)模消費世界模型的時候，這些能力是直接能接住的

R1 能做到實時，核心是把擴散模型的采樣步數(shù)壓到了 1 到 4 步（傳統(tǒng)方案跑 50 步以上），再加上自回歸流式生成做到逐幀預(yù)測、理論無長度限制。代價也有，長時間生成有誤差累積，物理渲染精度為了實時做了妥協(xié)，PixVerse 自己在技術(shù)報告里也提了

這次更新還有一個值得注意的點：Omni（自研原生多模態(tài)基座）的完整能力第一次面向用戶開放。文本、圖像、音頻、視頻統(tǒng)一編碼成連續(xù) token 流，畫面跑著的同時聲音也在實時生成，環(huán)境音、人物語音都跟畫面對得上

https://realtime.pixverse.ai/ 包括我自己在內(nèi)

之前想 AI 視頻這個賽道的時候，默認就是在想「怎么幫人出更好的視頻」。但如果把 Google 正在做的事情和 R1 放在一起看，這個賽道正在長出一個完全不同的下游

也許今天面向人類創(chuàng)作者做的這些功能，最終的價值不在于幫人拍出更好的片子，而在于它在這個過程中，把世界模型的實時能力打磨到了 Agent 能用的程度，去爭取入場券

最后，別忘了，R1 的 API 已經(jīng)開了，在這里申請：https://aisphere.feishu.cn/share/base/form/shrcnV1ZJhUDBLWJ8vub36t3z4f

API 申請頁面