वीडियो बनाएं
ब्लॉग

PixVerse R2: रीयल-टाइम ऑम्नी वर्ल्ड मॉडल को स्केल करना

अंतिम अपडेट
PixVerse R2: रीयल-टाइम ऑम्नी वर्ल्ड मॉडल को स्केल करना

PixVerse R1 ने पहला रीयल-टाइम वीडियो विश्व मॉडल पेश किया, जिसने वीडियो जनरेशन को एक निश्चित क्लिप के निर्माण से बदलकर लगातार चलने वाली एक जीवंत दुनिया में रूपांतरित कर दिया। यह मॉडल उपयोगकर्ताओं के इनपुट को निरंतर प्राप्त कर सकता है, वास्तविक समय में विश्व स्थिति को अपडेट कर सकता है, और इंटरैक्शन के अनुरूप सिंक्रनाइज़ ऑडियो और वीडियो स्ट्रीम कर सकता है। R1 ने साबित किया कि यह तकनीकी दृष्टिकोण व्यावहारिक रूप से सफल है।

PixVerse R2 अगले महत्वपूर्ण प्रश्न का उत्तर देता है: एक रीयल-टाइम वीडियो विश्व मॉडल को लगातार कैसे स्केल किया जाए। R2 दो प्रमुख लक्ष्यों पर ध्यान केंद्रित करता है। पहला, एक ऐसी गतिशील दुनिया का निर्माण करना जो लंबी अवधि में एक एकीकृत स्थिति बनाए रख सके, जिससे संपूर्ण स्थानिक-कालिक प्राथमिकताओं को समय के साथ आगे बढ़ने वाले विश्व विकास में बदला जा सके। दूसरा, टेक्स्ट, संदर्भ, ऑडियो और क्रियाओं से आने वाले भौतिक कार्य-कारण (causality) और इंटरैक्शन संकेतों को एक ही मॉडल में आत्मसात करना, ताकि दुनिया एक ही समय में सिंक्रनाइज़ किए गए ऑडियो और वीडियो को स्ट्रीम करते हुए जनरेशन, नियंत्रण और स्थिति अपडेट को संभाल सके।

इन लक्ष्यों के तहत R2 मॉडल, डेटा, कार्यों, नियंत्रण संकेतों और समय के पैमाने में वृद्धि को सीधे तौर पर जनरेशन गुणवत्ता, दीर्घकालिक स्थिरता और सटीक मल्टीमॉडल नियंत्रण में बदल देता है।


समग्र ढांचा (Overall Framework)

R2 सिस्टम को दो मुख्य परतों में विभाजित करता है: Omni Causal AR और रीयल-टाइम त्वरण (Real-Time Acceleration)। Omni Causal AR उच्च-गुणवत्ता, मल्टीमॉडल और दीर्घकालिक विश्व निर्माण का लगातार विस्तार करता है। रीयल-टाइम त्वरण परत एक सख्त विलंबता बजट के तहत इन क्षमताओं को न्यूनतम नुकसान के साथ प्राप्त करती है। इसका मार्ग स्पष्ट है: पहले विश्व मॉडल की क्षमताओं को अधिकतम स्तर तक बढ़ाना, और फिर उस क्षमता को एक इंटरैक्टिव रीयल-टाइम ऑपरेटिंग रेंज में त्वरित करना।

पारंपरिक लंबी-वीडियो और रीयल-टाइम प्रणालियां आमतौर पर कई प्रशिक्षण चरणों को जोड़ती थीं: द्विदिशात्मक (bidirectional) मॉडल को AR मॉडल में बदलना, कार्य-विशिष्ट मॉडल से डिस्टिलेशन शिक्षक तैयार करना, DMD डिस्टिलेशन चलाना और फिर प्रशिक्षण व उपयोग के अंतर को पाटने के लिए सेल्फ-रोलआउट DMD जोड़ना। प्रत्येक चरण में क्षमताओं को फिर से माइग्रेट करना, उद्देश्यों को फिर से संरेखित करना और डेटा वितरण को फिर से समायोजित करना पड़ता था। इस प्रक्रिया में छवि गुणवत्ता, गति, निर्देशों का पालन और दीर्घकालिक स्थिरता प्रभावित हो सकती थी। जैसे-जैसे डेटा और मॉडल का पैमाना बढ़ा, इस बहु-चरणीय प्रक्रिया ने लागत और जटिलता दोनों को बढ़ा दिया।

पारंपरिक बहु-चरणीय पाइपलाइन बनाम PixVerse R2 स्केलिंग वर्ल्ड मॉडलिंग

चित्र 1. पारंपरिक बहु-चरणीय पाइपलाइन बनाम PixVerse R2 स्केलिंग वर्ल्ड मॉडलिंग। R2 क्षमता विस्तार और रीयल-टाइम डिस्टिलेशन को Omni Causal AR और एक रीयल-टाइम त्वरण परत में एकीकृत करता है, जिससे सभी कार्य एक ही ढांचे में समेकित हो जाते हैं।

PixVerse R2 रीयल-टाइम विश्व मॉडलों के लिए एक एकीकृत प्रशिक्षण प्रतिमान प्रस्तुत करता है। कई मॉडलों के बीच क्षमताओं को बार-बार स्थानांतरित करने के बजाय, यह पूरी प्रक्रिया को दो स्केलेबल प्रक्रियाओं में समेटता है: एक एकीकृत विश्व स्थिति बनाए रखने वाले Omni Causal AR को निरंतर प्री-ट्रेन करना, और फिर इसे सीधे एक त्वरित मॉडल में डिस्टिल करना जो स्थानिक स्थिरता और दीर्घकालिक सुसंगतता बनाए रखते हुए रीयल-टाइम में आउटपुट दे सके।

कम चरणों का अर्थ है कि स्वतंत्र शिक्षकों और बार-बार मॉडल रूपांतरण से होने वाले क्षमता नुकसान को न्यूनतम किया जा सकता है। नया डेटा, कार्य, नियंत्रण संकेत और मॉडल स्केल सीधे रीयल-टाइम विश्व-मॉडलिंग क्षमता में बदल जाते हैं।

चरण 1: Omni Causal AR का निरंतर प्री-ट्रेनिंग। R2 अब द्विदिशात्मक जनरेशन और लॉन्ग-वीडियो AR को दो अलग-अलग चरण नहीं मानता है। यह द्विदिशात्मक मॉडल क्षमताओं के शीर्ष पर एक एकीकृत Omni Causal AR को लगातार प्रशिक्षित करता है। डायनामिक चंक्स (Dynamic Chunks) विभिन्न डेटा प्रारूपों को एक साझा कालिक प्रतिनिधित्व देते हैं: मॉडल उच्च-गुणवत्ता वाले छोटे वीडियो और मल्टीमॉडल डेटा को अवशोषित कर सकता है, और लगातार लंबी वीडियो व मल्टी-टर्न इंटरैक्शन में विस्तार कर सकता है। चित्र गुणवत्ता, ऑडियो-विज़ुअल अभिव्यक्ति, दीर्घकालिक जनरेशन और मल्टी-सिग्नल नियंत्रण एक ही मॉडल के अंदर स्केल होते हैं।

चरण 2: Omni Causal AR से रीयल-टाइम त्वरण परत का डिस्टिलेशन। निरंतर प्री-ट्रेनिंग Omni Causal AR को उच्च गुणवत्ता वाला उत्पादन, स्थिर दीर्घकालिक स्थिति हस्तांतरण और वास्तविक कॉज़ल रोलआउट प्रदान करती है। R2 तब छात्र ODE आरंभीकरण और डिस्टिलेशन शिक्षक दोनों के लिए समान Omni Causal AR का उपयोग करता है, जिससे शिक्षक, छात्र और वास्तविक AR इन्फेरेंस एक सुसंगत आधार साझा करते हैं। रीयल-टाइम डिस्टिलेशन “एक मौजूदा विश्व मॉडल का कुछ-चरणीय त्वरण” बन जाता है, न कि “पूरी दुनिया को नए सिरे से सीखना”।


Omni Causal AR

R2 मल्टीमॉडल इनपुट, ऑटोरिग्रेसिव जनरेशन और रीयल-टाइम इंटरैक्शन के उस मार्ग को आगे बढ़ाता है जिसे R1 ने मान्य किया था, और इन क्षमताओं को एक एकीकृत Omni Causal AR प्रशिक्षण मार्ग में केंद्रित करता है। Omni Causal AR पूर्ण स्थानिक-कालिक जनरेशन प्राथमिकताओं को विश्व-स्थिति हस्तांतरण में बदलता है जो केवल समय में आगे बढ़ता है। कार्य-कारण (causalization) और निरंतर प्री-ट्रेनिंग के माध्यम से, मॉडल केवल इतिहास से अगले सिंक्रनाइज़ किए गए ऑडियो-विज़ुअल हिस्से की भविष्यवाणी करना सीखते हुए चित्र, गति, ऑडियो और मल्टीमॉडल अर्थ संबंधी क्षमता को बरकरार रखता है।

जैसे-जैसे प्रशिक्षण का दायरा स्वतंत्र छोटे वीडियो से लेकर निरंतर लंबे वीडियो और बहु-चरणीय इंटरैक्शन तक फैलता है, मॉडल ऐतिहासिक विश्व स्थिति, वर्तमान इनपुट और भविष्य के विश्व विकास के बीच दीर्घकालिक कार्य-कारण संबंध स्थापित करता है।

मॉडल संयुक्त रूप से एक टेक्स्ट प्रॉम्प्ट, मल्टीमॉडल संदर्भ, एक्शन सिग्नल (उदाहरण के लिए WASD या निरंतर एनालॉग नियंत्रण), और ऑडियो प्राप्त करता है, और सिंक्रनाइज़ वीडियो और ऑडियो आउटपुट करता है। विभिन्न नियंत्रण संकेत रन के दौरान मॉडल में प्रवेश कर सकते हैं और भविष्य की दुनिया की स्थिति को बदल सकते हैं। R2 केवल एक बार दिए गए निर्देश का उत्तर नहीं दे रहा है; यह एक ही समय में उत्पन्न कर सकता है, नियंत्रण प्राप्त कर सकता है और दुनिया को अपडेट कर सकता है।

लंबे समय तक एक ही दुनिया के अंदर कॉज़ल जनरेशन बनाए रखने के लिए, R2 चार समस्याओं का समाधान करता है: ट्रेन-इन्फेरेंस वितरण अंतर, शोर-युक्त इतिहास के प्रति मजबूती, दीर्घकालिक व हालिया स्मृति का समन्वय, और त्रुटिपूर्ण स्थितियों का सुधार। Hybrid Teacher / Diffusion Forcing मॉडल को स्वच्छ और शोर-युक्त दोनों इतिहासों के अनुकूल होने में सक्षम बनाता है। Multi-Timescale Memory विश्व एंकरों, हालिया गतियों और वस्तुओं की स्थिति को संग्रहीत करती है। Error Bank त्रुटिपूर्ण स्थितियों को वापस प्रशिक्षण में लाता है। वे मिलकर दीर्घकालिक विश्व स्थिति के लिए एक प्रशिक्षण लूप बनाते हैं और समय के साथ दृश्य, चरित्र, गति और नियंत्रण प्रतिक्रिया में विचलन (drift) को कम करते हैं।

PixVerse R2 Omni Causal AR मल्टीमॉडल नियंत्रण और सिंक्रनाइज़ ऑडियो-विज़ुअल आउटपुट

चित्र 2. PixVerse R2 Omni Causal AR। मॉडल निष्पादन के दौरान लगातार विभिन्न नियंत्रण संकेत प्राप्त कर सकता है। प्रत्येक इंटरैक्शन क्षण में, सक्रिय संकेत मिलान ग्रैन्युलैरिटी पर एक गतिशील ऑडियोविज़ुअल चंक के साथ संरेखित होता है और अगले वीडियो और ऑडियो सेगमेंट को निर्देशित करता है।

डायनामिक चंक जनरेशन (Dynamic Chunk Generation)

विभिन्न नियंत्रण संकेत अलग-अलग समय-सीमाओं पर कार्य करते हैं। प्रॉम्प्ट और संदर्भ आमतौर पर पूर्ण अर्थ या लंबी घटनाओं का वर्णन करते हैं। एक्शन (WASD) को तत्काल स्थिति प्रतिक्रिया की आवश्यकता होती है। ऑडियो में अर्थ, लय और समय का तालमेल एक साथ होता है। यदि प्रत्येक इनपुट को एक निश्चित लंबाई की समय इकाई में बाध्य किया जाता है, तो मॉडल को प्रतिक्रिया गति और अभिव्यक्ति की पूर्णता के बीच समझौता करना पड़ता है।

Dynamic Chunk वह तकनीक है जिससे R2 उन इंटरैक्शन समय-सीमाओं को एकीकृत करता है। R2 वर्तमान नियंत्रण संकेत की सिमेंटिक सीमा और अवधि के आधार पर ऑडियो-विज़ुअल अनुक्रमों को अनुकूल रूप से विभाजित करता है, जिसमें एक अधिकतम चंक आकार होता है जो कंप्यूट और प्रशिक्षण स्थिरता को नियंत्रित करता है। छोटे चंक एक्शन और त्वरित निर्देशों के लिए प्रतिक्रिया की सटीकता में सुधार करते हैं। लंबे चंक घटनाओं, गति और ऑडियो-विज़ुअल अर्थ की पूरी संरचना को बनाए रखते हैं। विभिन्न कार्य और नियंत्रण संकेत मॉडल संरचना को बदले बिना एक कॉज़ल जनरेशन इंटरफ़ेस साझा कर सकते हैं।

Hybrid Teacher Forcing / Diffusion Forcing

दीर्घकालिक AR में मुख्य समस्या यह है कि प्रशिक्षण इतिहास आमतौर पर स्वच्छ होता है, जबकि वास्तविक रनटाइम इतिहास में मॉडल का अपना शोर और स्थानीय त्रुटियां होती हैं। केवल स्वच्छ इतिहास पर प्रशिक्षण एकल-चरण गुणवत्ता सीमा को बढ़ा सकता है लेकिन मॉडल को छोटे विचलनों के प्रति अत्यधिक संवेदनशील बना सकता है। केवल विकृत इतिहास पर प्रशिक्षण चित्र गुणवत्ता, गति और नियंत्रण प्रतिक्रिया को नुकसान पहुंचा सकता है।

R2 एक प्रशिक्षण प्रक्रिया में स्वच्छ इतिहास और शोर-युक्त इतिहास को मिलाता है। स्वच्छ इतिहास विश्व विकास की गुणवत्ता सीमा को स्थिर करता है। शोर-युक्त इतिहास मॉडल को उन अपूर्ण स्थितियों के अनुकूल बनाता है जो उसे वास्तविक परिनियोजन में देखने को मिलेंगी। यह पूरक प्रशिक्षण ट्रेन-इन्फेरेंस अंतर को सिकोड़ता है, ताकि मॉडल एक उच्च-गुणवत्ता वाला अगला विश्व खंड तैयार कर सके और इतिहास में छोटी त्रुटि होने पर भी आगे बढ़ना जारी रख सके।

Causal Attention Mask और Relative Temporal RoPE संयुक्त रूप से नियंत्रित करते हैं कि वर्तमान स्थिति किस इतिहास को पढ़ सकती है और वह इतिहास वर्तमान विंडो में कहां बैठता है। Attention Mask सख्त कार्य-कारण दृश्यता लागू करता है। Temporal RoPE एक वैश्विक ब्लॉक आईडी के साथ असीम रूप से नहीं बढ़ता है; इसे वर्तमान अटेंशन विंडो के अंदर सापेक्ष स्लॉट द्वारा पुनः अनुक्रमित किया जाता है। जब रोलिंग विंडो आगे बढ़ती है, तो वास्तविक समय आगे बढ़ता रहता है, लेकिन सिंक मेमोरी, हालिया इतिहास और वर्तमान चंक एक स्थिर, सीमित सापेक्ष स्थिति सीमा में बने रहते हैं।

Hybrid Teacher Forcing और Diffusion Forcing के लिए Causal Attention Mask और Relative Temporal RoPE

चित्र 3. Hybrid Teacher / Diffusion Forcing के लिए एकीकृत कॉज़ल अटेंशन मास्क और रिलेटिव टेम्पोरल RoPE। शीर्ष दो इतिहास निर्माणों के लिए कॉज़ल दृश्यता दिखाता है। नीचे प्रतिनिधि प्रश्नों को Q/K ब्लॉक, सापेक्ष स्लॉट और RoPE आईडी पर मैप करता है, जो दर्शाता है कि वास्तविक ब्लॉक आईडी आगे बढ़ते रहते हैं जबकि विंडो के भीतर समय निर्देशांक सीमित रहते हैं।

बहु-समय-पैमाना स्मृति (Multi-timescale memory)

दीर्घकालिक विश्व मॉडलिंग में संपूर्ण इतिहास को संग्रहीत नहीं किया जा सकता है। असीमित इतिहास कंप्यूटिंग और मेमोरी लागत को तेजी से बढ़ाता है; अत्यधिक छंटाई चरित्र की पहचान, दृश्य सेटअप और प्रमुख घटनाओं को मिटा देती है। R2 Sink Memory, Rolling History और Object KV Cache से मिलकर एक बहु-स्तरीय मेमोरी सिस्टम बनाता है।

  • Sink Memory: चरित्र, दृश्य, शैली और विश्व नियमों जैसे दीर्घकालिक एंकरों को संग्रहीत करती है।
  • Rolling History: हालिया कार्रवाई, मुद्रा, कैमरा और पर्यावरण परिवर्तन पर केंद्रित है ताकि स्थानीय स्थिति स्वाभाविक रूप से जुड़ सके।
  • Object KV Cache: पहले से गणना की गई वस्तु-स्तरीय इतिहास अभ्यावेदन का पुन: उपयोग और संपीड़न करता है, जो उन स्थितियों को सीमित बजट के भीतर रखता है जो वास्तव में बाद के विकास को प्रभावित करते हैं।

तीनों मिलकर दीर्घकालिक पहचान स्थिरता, अल्पकालिक गति निरंतरता और नियंत्रणीय रनटाइम लागत प्रदान करते हैं, और वे चरित्र बहाव, दृश्य कूद, क्रॉस-चंक झिलमिलाहट और टूटी हुई कार्रवाई को कम करते हैं।

एरर बैंक (Error Bank)

एक AR विश्व मॉडल में गंभीर विचलन अक्सर इतिहास में लिखी गई और फिर आगे बढ़ाई गई एक छोटी प्रारंभिक त्रुटि से शुरू होता है। R2 एक Error Bank बनाता है जो प्रतिनिधि त्रुटि इतिहासों को पुन: प्रयोज्य नमूनों के रूप में संग्रहीत करता है और प्रशिक्षण के दौरान एक निर्धारित दर पर उन्हें सामान्य इतिहास में वापस मिलाता है। मॉडल अब केवल यह नहीं सीखता कि एक आदर्श स्थिति से कैसे आगे बढ़ना है; यह यह भी सीखता है कि पहले से भटक चुके इतिहास को कैसे पहचाना जाए, अवशोषित किया जाए और उसकी मरम्मत की जाए।

क्रमिक मूल्यांकन में, दीर्घकालिक चमक-विचलन मीट्रिक 0.201 से घटकर 0.129 हो गया, जो लगभग 35.8% की गिरावट है। 29 लंबी-अनुक्रम नमूनों में से 20 में उल्लेखनीय सुधार हुआ, और सभी 5 नमूने जिन्हें स्पष्ट रूप से स्थिर रहना था, उनमें अवांछित गति कम हो गई।


रीयल-टाइम त्वरण (Real-Time Acceleration)

R2 का रीयल-टाइम त्वरण कुछ-चरणीय मॉडल के अंदर पूरी दुनिया को नए सिरे से नहीं सीखता है। यह एक ऐसे विश्व मॉडल को त्वरित करता है जो पहले से ही लंबे समय तक स्थिर रूप से चल सकता है। त्वरण परत लगातार प्री-ट्रेंड Omni Causal AR से शुरू होती है और इसे छात्र ODE इनिशियलाइज़ेशन और डिस्टिलेशन शिक्षक दोनों के लिए उपयोग करती है, ताकि शिक्षक, छात्र और वास्तविक AR इन्फेरेंस एक सुसंगत प्रक्षेपवक्र साझा करें।

यह एकीकृत प्रारंभिक बिंदु Self-Forcing और Rolling Forcing शैली की ट्यूनिंग पर निर्भरता को कम करता है। रीयल-टाइम त्वरण उन समस्याओं पर ध्यान केंद्रित कर सकता है जो कुछ-चरणीय गति वास्तव में प्रस्तुत करती है: प्रतिकूल नियमितीकरण (adversarial regularization) के साथ DDMD डिस्टिलेशन के दौरान स्थिति संरेखण, वितरण मिलान और यथार्थवाद को संभालता है; ब्लॉक-स्पार्स अटेंशन (block-sparse attention) लंबे संदर्भ की गणना को संपीड़ित करता है; और एक पिरामिड संरचना उच्च-रिज़ॉल्यूशन उत्पादन की लागत को कम करती है।

प्रतिकूल नियमितीकरण के साथ DDMD

अति-अल्प-चरणीय जनरेशन में, स्थिति संरेखण, वितरण मिलान और यथार्थवाद एक ही अनुकूलन समस्या नहीं हैं। R2 DDMD पर आधारित है और आगे DMD2 से प्रतिकूल नियमितीकरण का परिचय देता है। तीन प्रशिक्षण संकेत एक छात्र में मिलते हैं: स्थिति संरेखण नियंत्रण को मजबूत करता है, वितरण मिलान शिक्षक वितरण को बनाए रखता है, और प्रतिकूल नियमितीकरण वास्तविक डेटा को स्थिर करता है, इसलिए नमूनाकरण के कुछ चरण सटीक इंटरैक्शन प्रतिक्रिया और एक विश्वसनीय दुनिया दोनों को बनाए रख सकते हैं।

ब्लॉक-स्पार्स अटेंशन (Block-sparse attention)

R2 स्थानिक-कालिक टोकन अनुक्रमों पर ब्लॉक-स्पार्स अटेंशन का उपयोग करता है। मॉडल Q, K और V को गणना ब्लॉकों में विभाजित करता है, शीघ्रता से अनुमान लगाता है कि प्रत्येक क्वेरी ब्लॉक को किन कुंजी/मूल्य ब्लॉकों की सबसे अधिक आवश्यकता है, केवल उच्चतम स्कोरिंग कनेक्शन रखता है, और उन चयनित ब्लॉकों पर सटीक सॉफ्टमैक्स अटेंशन चलाता है। ब्लॉक-स्तरीय रूटिंग यादृच्छिक छंटाई नहीं है; यह वर्तमान मल्टीमॉडल नियंत्रण, हाल की गति और प्रमुख विश्व स्थिति के बीच मजबूत निर्भरताओं पर गणना को केंद्रित करता है।

प्रशिक्षण के दौरान मॉडल को विरल कनेक्शन संरचना के अनुकूल बनाकर, R2 अटेंशन विरलता (sparsity) को 90% से ऊपर ले जाता है, जबकि वर्तमान मूल्यांकन में बिना किसी स्पष्ट गिरावट के चित्र गुणवत्ता, एक्शन निरंतरता और दीर्घकालिक स्थिरता बनी रहती है।

पिरामिड अल्ट्रा-फ्यू-स्टेप डिस्टिलेशन

उच्च-रिज़ॉल्यूशन वाले स्थान में शुरुआत से सभी विश्व मॉडलिंग करना उस वैश्विक संरचना पर कंप्यूटिंग बर्बाद करता है जिसे कम रिज़ॉल्यूशन पहले से ही निर्धारित कर सकता है। R2 जनरेशन को एक या दो कम-रिज़ॉल्यूशन चरणों और एक उच्च-रिज़ॉल्यूशन चरण के रूप में व्यवस्थित करता है। कम-रिज़ॉल्यूशन चरण दृश्य लेआउट, विषय गति और कैमरा संरचना निर्धारित करते हैं। उच्च-रिज़ॉल्यूशन चरण बनावट, किनारों और स्थानीय विवरण को पुनर्स्थापित करता है। यह दृष्टिकोण अधिक संरचनात्मक स्थिरता बनाए रखते हुए दोहराए जाने वाले उच्च-रिज़ॉल्यूशन कंप्यूटिंग को कम करता है।


निष्कर्ष और सीमाएं

PixVerse R1 ने पहला रीयल-टाइम वीडियो विश्व मॉडल पेश किया, जिसमें दिखाया गया कि वीडियो ऑफ़लाइन स्थिर सामग्री से एक गतिशील दुनिया में बदल सकता है जो वास्तविक समय में बातचीत कर सकती है और लगातार चल सकती है। PixVerse R2 फिर हल करता है कि वह प्रतिमान कैसे स्केल करता रहता है: एक एकीकृत Omni Causal AR बढ़ते डेटा, कार्यों, तौर-तरीकों और समय-सीमाओं को वहन करता है, और रीयल-टाइम त्वरण रीयल-टाइम कुछ-चरणीय इन्फेरेंस में पूर्ण विश्व-मॉडलिंग क्षमता लाता है।

R2 केवल एक एकल-बिंदु क्षमता अपग्रेड नहीं है। यह रीयल-टाइम विश्व मॉडलों की अगली पीढ़ी के लिए एक एकीकृत प्रशिक्षण मार्ग है। R1 ने रीयल-टाइम वीडियो विश्व मॉडल को वास्तविकता बनाया; R2 उन्हें एक एकीकृत, स्केलेबल, निरंतर सुधार वाले चरण में रखता है।

सख्त रीयल-टाइम कंप्यूटिंग और इंटरैक्शन विलंबता बजट के तहत, वर्तमान एकल-जनरेशन गुणवत्ता में अभी भी प्रमुख ऑफ़लाइन वीडियो मॉडलों की तुलना में सुधार की गुंजाइश है, विशेष रूप से जटिल दृश्य विवरण, गति की स्वाभाविकता, भौतिक निरंतरता और लंबी अवधि में स्थिरता के मामले में। ये कमियां स्वयं ढांचे की सीमा के बजाय R2 के वर्तमान स्केलिंग चरण को दर्शाती हैं।


अर्ली एक्सेस (Early Access)

23 अगस्त 2026 तक यह रिपोर्ट PixVerse R2 को क्लोज्ड टेस्टिंग के रूप में बताती थी। 22 सितंबर 2026 को PixVerse ने घोषणा की कि इन दुनियाओं का एक संग्रह world.pixverse.video पर देखने के लिए खुला है। R2 लॉन्च घोषणा देखें।

वह घोषणा अप्रतिबंधित API एक्सेस नहीं खोलती। PixVerse विश्व मॉडल R2 अनुभव फ़ॉर्म प्रारंभिक अनुभव और API पहुंच के अनुरोध का मार्ग बना रहता है।


संबंधित संसाधन

22 सितंबर 2026 की घोषणा वाली दुनियाएँ world.pixverse.video पर देखने के लिए खुली हैं। API पहुंच अभी भी ऊपर वाले फ़ॉर्म से माँगी जाती है। आज PixVerse V6 और R1 के साथ भी निर्माण कर सकते हैं।