PixVerse R2: jak działa model świata generujący obraz i dźwięk na żywo

PixVerse R2 ma zmienić generowanie wideo z jednorazowego tworzenia klipu w ciągłą, interaktywną sesję. Użytkownik może w jej trakcie podawać tekst, obrazy, dźwięk i działania, a model ma dalej generować zsynchronizowany obraz i dźwięk, uwzględniając wcześniejszy przebieg sceny. AIsphere ogłosiła R2 22 września 2026 roku; doniesienia z Chin podają 23 września jako datę formalnej premiery. W sierpniu firma opublikowała omówienie techniczne modelu. 159

Jak steruje się światem R2

W typowym generatorze wideo wpisuje się prompt i czeka na gotowy materiał. R2 ma działać inaczej: scena pozostaje aktywna, a użytkownik może dalej na nią wpływać. Według opisów PixVerse system przyjmuje tekst, obrazy referencyjne, audio i sterowanie działaniami. Doniesienia wymieniają też ruch przypominający sterowanie klawiaturą WASD oraz polecenia, które mogą zmienić postać, dodać przedmiot albo przekształcić otoczenie w trakcie generowania. 16

Kluczowe jest to, by nowe polecenie zmieniało bieżącą scenę i jej dalszy przebieg, zamiast uruchamiać osobny, niezwiązany z nią klip. R2 ma wykorzystywać historię sesji i aktualne sterowanie do generowania kolejnego fragmentu z zsynchronizowanym obrazem i dźwiękiem. AIsphere deklaruje, że model przenosi wydarzenia z sesji dalej i stara się zachowywać relacje między postaciami, obiektami oraz przestrzenią. 136

Co pokazują demonstracje Zero Mark i Eve

W Zero Mark, interaktywnej grze filmowej stworzonej przez Xiaolongbao, ta sama scena może potoczyć się inaczej zależnie od wyboru gracza. Podanie stworzeniu smoka zamiast liścia wywołuje inną reakcję — przykład pokazuje, jak decyzja może zmienić dalszy ciąg sceny. 12

W osobnej demonstracji występuje cyfrowa postać Eve. Według opisu reaguje ona na pytania gracza i rozwój fabuły, korzystając z głosu, osobowości, pamięci oraz stanu relacji, tak by zachować spójną tożsamość w kolejnych wymianach. To przykłady zamierzonego sposobu interakcji, a nie niezależne testy pokazujące, jak niezawodnie system działa w długich sesjach. 6

Jak R2 ma łączyć możliwości z szybkością

AIsphere opisuje R2 jako system oparty na dwóch głównych elementach. Omni Causal AR to część odpowiadająca za modelowanie świata: przetwarza różne typy wejścia i rozwija scenę w czasie, wykorzystując jej bieżący stan jako kontekst dla kolejnych zdarzeń. Real-Time Acceleration ma pozwolić uruchomić te możliwości w interaktywnym tempie. 1913

Pozostałe rozwiązania mają pomagać w zachowaniu ciągłości, obsłudze różnych rytmów interakcji i ograniczaniu kosztu obliczeń:

• Dynamiczne porcjowanie (dynamic chunking) dostosowuje długość generowanych fragmentów do sygnału lub wydarzenia. Krótsze porcje mogą ułatwiać szybką reakcję, a dłuższe — przedstawienie bardziej spójnego ruchu lub zdarzenia. 3
• Pamięć o różnych skalach czasu ma pozwalać uwzględniać zarówno trwałe elementy sceny, jak i niedawne zmiany. W omówieniu technicznym wymieniono Sink Memory dla trwałych punktów odniesienia, Rolling History dla niedawnych wydarzeń oraz Object KV Cache do ponownego wykorzystania reprezentacji obiektów. 10
• Error Bank, czyli bank błędów, przechowuje przykładowe stany, w których generowanie poszło nie tak, i odtwarza je podczas treningu. Model ma dzięki temu uczyć się także na błędach, a nie wyłącznie na typowym przebiegu scen. 310
• Uwaga blokowo-rzadka (block-sparse attention) ma kierować obliczenia na wybrane, istotne zależności, gdy sesja się wydłuża. Wtórne doniesienia podają rzadkość przekraczającą 90 proc. przy niewielkiej raportowanej utracie jakości. To wynik opisany w materiałach o systemie, a nie niezależny benchmark. 716

Co mówią wyniki — i czego nie rozstrzygają

AIsphere poinformowała, że w wewnętrznych testach R2 zmniejszył dryf obrazu w długiej sesji o 35,8 proc. To rezultat podany przez firmę, a nie niezależnie zweryfikowana miara skuteczności we wszystkich zastosowaniach. 2

Dostępne źródła nie przedstawiają porównywalnego, niezależnego benchmarku opóźnień, liczby klatek na sekundę ani jakości. PixVerse opisuje R2 jako model działający w czasie rzeczywistym i zaprojektowany z myślą o dłuższej spójności, ale przedstawione materiały nie pokazują, jak radzi sobie w różnych scenach, przy różnych sposobach sterowania ani podczas długotrwałego użytkowania. Demonstracje ilustrują pomysł — same nie rozstrzygają, jak niezawodnie system będzie działał w szerszym użyciu. 13

Miejsce R2 w rozwoju PixVerse

PixVerse zaprezentowało R1 w styczniu 2026 roku jako wcześniejszy krok w stronę stale generowanego, interaktywnego wideo. R2 jest przedstawiane jako rozwinięcie tego pomysłu, nastawione na obsługę większej liczby rodzajów wejścia i dłuższe zachowywanie stanu sceny. PixVerse Game Engine łączy generowane na żywo wideo z agentami AI i mechanikami gier, co wskazuje na kierunek obejmujący doświadczenia z rolami, zasadami i zmieniającym się stanem świata. 1418

Dostępne źródła pozwalają opisać kierunek rozwoju produktu, ale nie dostarczają wystarczająco dobrze udokumentowanej wypowiedzi, by przypisać CEO Wang Changhu bardziej konkretną wizję interaktywnych światów.