Vivix发布实时交互多模态模型A1，实现与虚拟角色视频通话

Vivix将A1定位为全球首个在一套原生流式架构中统一多模态参考、实时交互和流式生成的基础模型。传统clip-based模型一次生成完整片段，而流式生成需在持续生成中维持角色、物体和场景的一致性，如同“一边铺铁轨，一边开火车”。A1通过因果时序建模和流式状态维护，让相邻动作保持连续，并在更长时间范围内维持角色身份、场景和物体关系。

在交互建模上，A1没有将ASR文本作为唯一中间表示，而是直接建模语言语义、声学特征、非语言声音、环境事件、手势和动态视觉信号。模型在约300ms的最小时间片内推理出最新响应token（“快思考”），而更上层的Director Agent负责“慢思考”——推理、思考、tool use，并异步给出长时序宏观行为控制。

视频扩散模型的实时性瓶颈来自采样步数。Vivix提出MJD（多维联合蒸馏），以8-Step版本为质量基线，将不同去噪阶段的能力共同压缩进2-Step模型。MJD同时优化短时生成质量、长时时序一致性和多模态分布对齐，并让学生模型学习教师模型更完整的动作分布，防止模型通过少动换取稳定。

据Vivix官网技术博客，MJD使视频扩散从8-Step压缩到2-Step推理，同时保持接近8-Step版本的短时画质、指令遵循、运动表现和长时稳定性。但这一结论基于Vivix自身测试，独立验证尚未公开。

A1有效激活参数接近30B，采用8x8x4的高质量压缩率，计算量远超此前小参数或大压缩比的实时模型。Vivix推出VMI（Vivix Model Infra），通过三步实现消费级GPU实时推理：Encoder与Decoder解耦、原生NVFP4训推协同、计算-通信-内存协同调度。

Encoder与Decoder解耦避免任务互相干扰；原生NVFP4训推协同让模型在训练阶段就适应4-bit数值分布，而非训练后直接量化，宣称生成质量接近无损；协同调度引擎将计算、通信和显存调度统一纳入推理执行图，实现单卡吞吐超过10000 video tokens/s，PCIe带宽利用率达88%+。

这些数据均来自Vivix内部测试，实际部署效果和通用性有待验证。

与A1同步推出的W1模型，旨在让用户不再只是旁观者，而是可以随时介入，改变人物的选择、行动以及剧情走向。Vivix展示了W1的“实时导演”能力，但技术细节未在博客中详述。W1与A1的关系、是否共享底层架构，目前尚不明确。

尽管Vivix宣称A1实现了“近似无损的消费原生NVFP4”和“消费级显卡实时生成”，但所有性能数据均来自Vivix自身测试，缺乏第三方独立验证。长期生成中的视觉漂移、误差累积和动作衰减问题是否真正解决，仍需实际体验检验。

此外，A1的“近30B激活参数”具体指代何种计算粒度（如每帧或每秒），以及消费级GPU的具体型号和配置，官方未明确说明。W1的实际能力和应用场景也缺乏详细技术支撑。