PixVerse R2 chce z AI videa udělat svět, který reaguje na uživatele

PixVerse R2 od společnosti AIsphere má s videem zacházet spíš jako s průběžně se vyvíjejícím světem než jako s hotovým klipem. Uživatel může scénu dál ovlivňovat textem, obrázky, zvukem i akcemi a model při tom pokračuje v tvorbě synchronizovaného obrazu a zvuku. AIsphere R2 oznámila 22. září 2026; zprávy uvádějí oficiální uvedení v Číně o den později. Technický přehled firma zveřejnila už v srpnu. 159

Jak se s R2 pracuje

Místo jednoho zadání a jednoho hotového videa může uživatel pokračovat v ovládání probíhající relace. PixVerse uvádí podporu textu, referenčních obrázků, zvuku a akcí. Podle zveřejněných zpráv lze postavu ovládat také pomocí kláves WASD nebo pokynem změnit její podobu, přidat objekt či upravit prostředí. Model má na vstupy navazovat v aktuální scéně, ne pokaždé začínat nový, oddělený klip. 16

Právě návaznost je podstatou označení „model světa“: R2 má při vytváření dalšího úseku synchronizovaného obrazu a zvuku vycházet z dosavadního průběhu i z aktuálních pokynů. AIsphere tvrdí, že si přenáší události z dané relace a snaží se zachovat vztahy mezi postavami, objekty a prostředím. 136

Co ukazují ukázky Zero Mark a Eve

V interaktivním filmu a hře Zero Mark, kterou vytvořil Xiaolongbao, může stejné setkání pokračovat různými směry podle volby hráče. Když tvor dostane místo listu draka, reaguje jinak. Ukázka tak ilustruje, jak může vstup změnit další průběh scény. 12

Další ukázka představuje digitální postavu Eve. Podle jedné zprávy odpovídá na otázky hráče a reaguje na vývoj příběhu s využitím hlasu, osobnosti, paměti a vztahového stavu. Cílem je zachovat její identitu i v průběhu více výměn. Jde ale o demonstrace zamýšleného způsobu interakce, nikoli o nezávislé ověření, jak spolehlivě funguje v dlouhých relacích. 6

Jak má architektura skloubit schopnosti a rychlost

AIsphere popisuje R2 jako systém se dvěma hlavními částmi. Omni Causal AR tvoří základ pro modelování světa: zpracovává různé druhy vstupů a posouvá scénu v čase, přičemž její aktuální stav slouží jako kontext pro další dění. Real-Time Acceleration má tyto schopnosti převést do interaktivního provozu. 1913

Další mechanismy se zaměřují na načasování, návaznost a výpočetní náročnost:

• Dynamické dělení na úseky přizpůsobuje délku generovaných segmentů vstupu nebo události. Kratší úseky mohou umožnit rychlou lokální reakci, delší zase souvislejší pohyb či událost. 3
• Paměť v několika časových měřítcích má pomáhat udržet dlouhodobé opěrné body i nedávné změny. Technický přehled uvádí Sink Memory pro trvalé opěrné body, Rolling History pro nedávné dění a Object KV Cache pro opětovné využití reprezentací objektů. 10
• Error Bank ukládá reprezentativní chybové stavy a při trénování je znovu přehrává. Model se tak má učit i z chyb generování, nejen z běžného průběhu. 310
• Blokově řídká pozornost má při prodlužování relace soustředit výpočty na vybrané, důležité vztahy. Sekundární zdroje uvádějí řídkost přes 90 % a jen malou hlášenou ztrátu kvality výstupu; jde však o publikovaný výsledek systému, nikoli o nezávislý benchmark. 716

Co výsledky dokládají — a co ne

AIsphere uvádí, že v interním hodnocení R2 snížila vizuální rozjíždění během dlouhé relace o 35,8 %. Jde o výsledek zveřejněný samotnou firmou, nikoli o nezávisle ověřené měření výkonu ve všech typech použití. 2

Dostupné zdroje neposkytují srovnatelný nezávislý benchmark latence, snímkové frekvence ani kvality. PixVerse tedy R2 prezentuje jako model fungující v reálném čase, navržený pro konzistentnější dlouhé relace, ale z uvedených podkladů nelze určit, jak si povede v různých scénách, při různých způsobech ovládání nebo při dlouhodobém používání. Ukázky přibližují princip; samy o sobě ale neprokazují, jak spolehlivě bude fungovat v širším nasazení. 13

Jak R2 zapadá do vývoje PixVerse

PixVerse představilo R1 v lednu 2026 jako dřívější krok k průběžně generovanému interaktivnímu videu. R2 firma popisuje jako jeho vylepšení, které má pracovat s širší škálou vstupů a déle udržet stav scény. PixVerse Game Engine propojuje generativní video v reálném čase s AI agenty a herními mechanismy, což naznačuje směřování k zážitkům s rolemi, pravidly a proměnlivým stavem světa. 1418

Dostupné zdroje podporují popis tohoto produktového směru, neposkytují však dostatečně podložený citát, který by umožnil připsat konkrétnější vizi interaktivních světů generálnímu řediteli Wang Changhuovi.