Vivix 发布全球首个实时交互多模态模型 A1 和 W1

Vivix 将 A1 定义为首个面向交互式 AI 角色的实时全双工模型。其核心能力包括：角色可走动、拿取物品、完成全身表演；支持实时全双工交互，用户可随时插话；自然表情与情绪随对话实时变化；互动过程中可动态加入新图片。

这些能力通过原生多模态生成循环实现：Director Agent 作为实时导演，负责判断角色行为并保持上下文；视频采用流式生成，每次生成一小段，通过局部连续性和全局序列先验维持一致性；多维联合蒸馏将推理过程压缩至两步，降低计算量。

W1 将交互从单个角色扩展到人物、物体、场景、镜头、声音和事件。它支持原生音画联合生成（画面与声音同步生成）、多模态参考（文字、图片、音频、视频共同影响生成）以及原生多镜头叙事（自动切换视角和镜头）。

W1 同样采用流式生成，用户中途加入的语音、图片、触控或镜头操作可实时改变后续故事。Vivix-Turbo 通过超低步数蒸馏减少推理步骤，并结合镜头规划和时间连续性优化，保持人物、场景和镜头的稳定。

Vivix-Turbo 提高生成速度和稳定性，Vivix Infra 则让输入处理、音视频生成、解码和推流同时运行，缩短响应时间并降低长期运行成本。用户中途改变想法时，系统直接调整后续生成，保留已发生内容和上下文，无需从头计算。

官方报告给出的可见反应延迟低于 0.6 秒，计入网络传输和直播推流后，端到端 TTFR 低于 1.7 秒。实时视频推理成本在过去一年内降低两个数量级，已接近主流视频平台每小时 CDN 带宽成本量级。

Vivix 成立于 2025 年初，已完成 A 轮融资，历史股东包括 IDG、红杉、蓝驰、5Y、Monolith 以及战略投资人京东和阿里。公司瞄准实时互动体验的空白，希望用实时交互模型补上真人实时在线与预录内容之间的缺口。

Vivix 认为互动必须带来大幅体验增益，如更强的沉浸感和更真实的反馈。A1 处理“人”，W1 加入“场景”和“时间”，Infra 确保变化及时呈现并控制成本。AI 生成的内容不再只是等待观看，而是可以在用户进入后继续生长。