PixVerse R2: як працює модель реального часу, що перетворює відео на інтерактивний світ

PixVerse R2 від AIsphere задумана як модель, що створює не просто завершений відеоролик, а світ, який продовжує розгортатися у відповідь на дії користувача. Компанія представила R2 22 вересня 2026 року; у повідомленнях про офіційний запуск у Китаї фігурує 23 вересня. Технічний огляд моделі AIsphere опублікувала в серпні. 159

Як взаємодіяти зі світом R2

У звичайному генераторі відео користувач вводить запит і отримує готовий кліп. PixVerse R2 натомість розрахована на тривалу сесію, яку можна коригувати під час генерації: подавати текст, зображення-приклади, аудіо й команди дії. За описами демонстрацій, персонажем можна керувати клавішами WASD, а текстовою командою — змінити його, додати предмет або перебудувати оточення. Модель має продовжувати поточну сцену, а не щоразу починати окремий ролик. 16

У цьому й полягає задум «моделі світу»: R2 має спиратися на попередні події та поточні команди, щоб генерувати наступний фрагмент аудіо й відео. AIsphere стверджує, що модель переносить перебіг сесії далі та намагається зберігати зв’язки між персонажами, предметами й простором. 136

Що показують демонстрації Zero Mark і Eve

В інтерактивній кіно-грі Zero Mark, створеній Xiaolongbao, та сама зустріч може розвиватися по-різному залежно від вибору гравця. Якщо запропонувати істоті дракона замість листка, вона відреагує інакше — приклад того, як команда змінює продовження сцени. 12

Інша демонстрація присвячена цифровому персонажу Eve. За описом одного з матеріалів, Eve відповідає на запитання гравця й реагує на розвиток сюжету, використовуючи голос, задану особистість, пам’ять і стан стосунків. Мета — зберігати послідовний образ персонажа в різних обмінах репліками. Це демонстрації задуманої взаємодії, а не незалежна перевірка того, наскільки надійно вона працює в довгих сесіях. 6

Як система поєднує можливості та швидкість

AIsphere описує R2 як систему з двох основних компонентів. Omni Causal AR — це частина, відповідальна за моделювання світу: вона має обробляти різні типи введення й розвивати сцену в часі, використовуючи її поточний стан як контекст для наступного кроку. Real-Time Acceleration покликана зробити ці можливості придатними для інтерактивної роботи. 1913

Інші методи мають допомагати з темпом, послідовністю та обсягом обчислень:

• Динамічне розбиття на фрагменти змінює довжину генерованих сегментів залежно від сигналу чи події. Коротші фрагменти можуть пришвидшити локальну реакцію, а довші — дати змогу послідовніше відтворити рух або подію. 3
• Пам’ять із різними часовими масштабами має одночасно враховувати довготривалі опорні елементи й недавні зміни. У технічному огляді названо Sink Memory для постійних орієнтирів, Rolling History для недавнього перебігу подій і Object KV Cache для повторного використання представлень об’єктів. 10
• Error Bank зберігає характерні помилкові стани й повертає їх у навчання, щоб модель могла вчитися на збоях генерації, а не лише на звичайному перебігу історії. 310
• Блоково-розріджена увага має зосереджувати обчислення на вибраних важливих зв’язках у міру того, як сесія триває. У вторинних матеріалах згадано розрідженість понад 90% із незначною, за їхнім описом, втратою якості. Це повідомлений результат роботи системи, а не незалежний бенчмарк. 716

Що доводять заяви про продуктивність — і чого не доводять

За результатами внутрішніх оцінювань AIsphere повідомила про зменшення візуального дрейфу на 35,8% під час тривалої сесії. Це результат, наведений компанією, а не незалежно підтверджений показник для всіх сценаріїв використання. 2

Надані джерела не містять порівнюваного незалежного бенчмарку затримки, частоти кадрів чи якості. Тож PixVerse описує R2 як модель реального часу, покликану довше підтримувати цілісність сцени, але наявних даних недостатньо, щоб оцінити її роботу в різних сценаріях, із різними командами або протягом тривалих сесій. Демонстрації показують принцип взаємодії, але самі по собі не доводять, наскільки надійно модель працюватиме в ширшому використанні. 13

Як R2 вписується в розвиток PixVerse

У січні 2026 року PixVerse представила R1 — попередній крок до відео, яке генерується безперервно й реагує на дії користувача. R2 подається як розвиток цієї ідеї з ширшим набором способів керування та довшим збереженням стану сцени. PixVerse Game Engine поєднує генеративне відео реального часу з ШІ-агентами та ігровими механіками — тобто закладає в такі враження ролі, правила й змінний стан світу. 1418

Наявні джерела підтверджують цей напрям розвитку продукту, але не дають достатніх підстав приписати CEO компанії Ван Чанху конкретніше бачення інтерактивних світів.