PixVerse R2: Gerçek Zamanlı Omni Dünya Modellerini Ölçeklendirme
PixVerse R1, ilk gerçek zamanlı video dünya modelini kullanıma sunarak video üretimini sabit bir klibin tek seferlik tesliminden sürekli çalışan dinamik bir dünyaya dönüştürdü. Model; kullanıcı girdilerini kesintisiz alabilir, dünya durumunu gerçek zamanlı güncelleyebilir ve etkileşimle tam uyumlu senkronize ses ve video yayını yapabilir. R1, bu teknik paradigmanın pratikte çalıştığını kanıtladı.
PixVerse R2 bir sonraki kritik soruyu yanıtlıyor: Gerçek zamanlı bir video dünya modeli nasıl sürekli olarak ölçeklendirilir? R2 iki temel hedefe odaklanır. İlk olarak, kapsamlı uzamsal-zamansal öncülleri yalnızca zamanda ileriye doğru hareket eden bir dünya evrimine dönüştürerek uzun ufuklarda birleşik bir durumu koruyabilen dinamik bir dünya inşa eder. İkinci olarak; metin, referans, ses ve eylemlerden gelen fiziksel nedensellik ve etkileşim sinyallerini sürekli olarak tek bir modelde içselleştirir; böylece dünya, senkronize ses ve video akışı sunarken aynı anda içerik üretebilir, kontrol alabilir ve durumu güncelleyebilir.
Bu hedefler doğrultusunda R2; model, veri, görev, kontrol sinyalleri ve zaman ölçeğindeki büyümeyi üretim kalitesine, uzun menzilli tutarlılığa ve çok modlu kontrole dönüştürür.
Genel Çerçeve
R2, sistemi iki temel katmana indirger: Omni Causal AR ve Gerçek Zamanlı Hızlandırma. Omni Causal AR, yüksek kaliteli, çok modlu ve uzun menzilli dünya üretimini sürekli genişletir. Gerçek Zamanlı Hızlandırma ise katı bir etkileşim gecikmesi bütçesi altında bu yetenekleri mümkün olan en az kayıpla devralır. İzlenen yol nettir: Dünya modelinin yetenek tavanını yükseltmek ve ardından bu kapasiteyi gerçek zamanlı, etkileşimli bir çalışma aralığına hızlandırmak.
Eski uzun video ve gerçek zamanlı hatları genellikle birbirini izleyen birçok eğitim aşamasını birbirine bağlardı: Çift yönlü bir modeli AR modeline dönüştürmek, göreve özgü çift yönlü bir modelden bir damıtma (distillation) öğretmeni oluşturmak, DMD damıtması çalıştırmak ve ardından eğitim-çıkarım farkını kapatmak için kendi kendine açılan (self-rollout) DMD eklemek. Her aşama yeteneklerin yeniden aktarılmasını, hedeflerin yeniden hizalanmasını ve veri dağılımının yeniden uydurulmasını gerektiriyordu. Görüntü kalitesi, hareket, koşul takibi ve uzun vadeli kararlılık bu aktarımlar sırasında aşınabiliyordu. Model, veri ve görev ölçeği büyüdükçe çok aşamalı hat optimizasyon hedefini böldü; hem eğitim maliyetini hem de sistem karmaşıklığını artırdı.

Şekil 1. Geleneksel çok aşamalı hat ile PixVerse R2 ölçeklenebilir dünya modellemesi. R2, yetenek genişletmeyi ve gerçek zamanlı damıtmayı Omni Causal AR ve bir gerçek zamanlı hızlandırma katmanında birleştirerek çok görevli, çok sinyalli ve uzun video modellemesini tek bir çerçevede toplar.
PixVerse R2, gerçek zamanlı dünya modelleri için birleşik bir eğitim paradigması önerir. Yetenekleri birçok model ve görev aşaması arasında tekrar tekrar geçirmek yerine, karmaşık hattı ölçeklenmeye devam edebilecek iki sürece indirger: Birleşik bir dünya durumunu tutan bir Omni Causal AR’yi sürekli önceden eğitmek, ardından mekansal tutarlılığı ve uzun ufuk modellemesini korurken gerçek zamanlı üretim yapabilen hızlandırılmış bir modele doğrudan damıtmak.
Daha az aşama sınırı; bağımsız öğretmenlerden, görev hizalamalarından ve tekrarlanan model aktarımlarından kaynaklanan yetenek kaybını azaltır. Yeni veriler, görevler, kontrol sinyalleri ve model ölçeği, gerçek zamanlı dünya modelleme yeteneğine doğrudan dönüşebilir.
1. Aşama: Omni Causal AR’nin sürekli ön eğitimi. R2 artık çift yönlü üretim öncüllerini ve uzun video AR’sini birbirinden kopuk iki aşama olarak ele almaz. Çift yönlü model yeteneğinin üzerine birleşik bir Omni Causal AR modelini sürekli eğitir. Dinamik bloklar (Dynamic Chunks), farklı veri türlerine ortak bir zamansal temsil kazandırır: Model, çift yönlü ön eğitimden yüksek kaliteli kısa video ve çok modlu verileri özümseyebilir; kesintisiz uzun videolara ve çok turlu etkileşim yörüngelerine genişleyebilir. Görüntü kalitesi, görsel-işitsel ifade, uzun vadeli üretim ve çok sinyalli kontrol, tekrarlanan dönüştürmeler yerine tek bir model içinde ölçeklenir.
2. Aşama: Ölçeklenmiş Omni Causal AR’den gerçek zamanlı hızlandırma katmanının damıtılması. Sürekli ön eğitim, Omni Causal AR’ye yüksek kaliteli üretim, kararlı uzun vadeli durum aktarımı ve gerçek nedensel açılım kazandırır. R2 daha sonra hem öğrenci ODE başlatması hem de damıtma öğretmeni için aynı Omni Causal AR’yi kullanır; böylece öğretmen, öğrenci ve gerçek AR çıkarımı tutarlı bir nedensel modelleme temelini paylaşır. Gerçek zamanlı damıtma, “uzun menzilli bir dünyayı yeniden öğrenmek” değil, “mevcut bir dünya modelinin birkaç adımda hızlandırılması” haline gelir.
Omni Causal AR
R2, R1’in doğruladığı çok modlu girdi, otoregresif üretim ve gerçek zamanlı etkileşim yolunu sürdürür ve ardından bu yetenekleri birleşik bir Omni Causal AR eğitim rotasında yoğunlaştırır. Omni Causal AR, tam uzamsal-zamansal üretim öncüllerini yalnızca zamanda ileriye giden dünya durumu aktarımına dönüştürür. Nedenselleştirme ve sürekli ön eğitim sayesinde model; yalnızca geçmişten bir sonraki senkronize görsel-işitsel parçayı tahmin etmeyi öğrenirken görüntü, hareket, ses ve çok modlu anlamsal yeteneğini korur.
Eğitim nesneleri bağımsız kısa videolardan sürekli uzun videolara ve çok adımlı etkileşim yörüngelerine doğru genişledikçe, model geçmiş dünya durumu, mevcut etkileşim girdisi ve gelecekteki dünya evrimi arasında kademeli olarak uzun vadeli nedensellik kurar.
Model; metin promptunu, çok modlu referansları, eylem sinyallerini (örneğin WASD veya analog kontrol) ve sesi birlikte alır; senkronize video ve ses çıktısı verir. Farklı kontrol sinyalleri çalışma sırasında modele sürekli girebilir ve sonraki dünya durumunu değiştirebilir. R2 yalnızca tek seferlik bir komuta yanıt vermekle kalmaz; aynı anda üretebilir, kontrol alabilir ve dünyayı güncelleyebilir.
Nedensel üretimi uzun bir süreç boyunca aynı dünyada tutabilmek için R2 dört sorunu çözer: Eğitim-çıkarım dağılım farkı, gürültülü geçmişe karşı sağlamlık, uzun vadeli ve yakın hafızanın koordinasyonu ve hata durumlarının düzeltilmesi. Hybrid Teacher / Diffusion Forcing, modelin hem temiz hem de gürültülü geçmişe uyum sağlamasını mümkün kılar. Multi-Timescale Memory; dünya çapalarını, son dinamikleri ve nesne durumunu ortaklaşa depolar. Error Bank (Hata Bankası) ise başarısız durumları tekrar eğitime dahil eder. Birlikte, uzun vadeli dünya durumu için sağlam bir döngü oluştururlar ve görüntü, karakter, hareket, görsel-işitsel ilişki ve kontrol tepkisindeki kaymaları zaman içinde azaltırlar.

Şekil 2. PixVerse R2 Omni Causal AR. Model, çalışma sırasında farklı kontrol sinyallerini sürekli alabilir. Her etkileşim anında aktif sinyal, eşleşen ayrıntı düzeyindeki dinamik bir görsel-işitsel blokla hizalanır ve bir sonraki video ve ses segmentini yönlendirir.
Dinamik blok (Dynamic Chunk) üretimi
Farklı kontrol sinyalleri farklı zaman ölçeklerinde yer alır. Promptlar ve referanslar genellikle kapsamlı anlamsal durumları veya daha uzun olayları tanımlar. Eylemler (WASD) ince taneli, anlık durum geri bildirimi gerektirir. Ses ise anlam, ritim ve zamansal senkronizasyonu aynı anda taşır. Her girdi sabit uzunlukta bir zaman birimine zorlanırsa, model tepki hızı ile ifade zenginliği arasında ödün vermek zorunda kalır.
Dynamic Chunk, R2’nin bu etkileşim zaman ölçeklerini birleştirme yöntemidir. R2, hesaplama ve eğitim kararlılığını sınırlandıran maksimum bir blok boyutu ile görsel-işitsel dizileri mevcut kontrol sinyalinin anlamsal sınırına ve süresine göre uyarlamalı olarak böler. Kısa bloklar, eylem ve yerel talimatlar için yanıt hassasiyetini artırır. Uzun bloklar; olayların, hareketin ve görsel-işitsel anlamın eksiksiz yapısını korur. Farklı görevler ve kontrol sinyalleri, model yapısını değiştirmeden tek bir nedensel üretim arayüzünü paylaşabilir.
Hybrid Teacher Forcing / Diffusion Forcing
Uzun menzilli AR modellerindeki temel çelişki, eğitim geçmişinin kusursuz olması; gerçek çalışma zamanı geçmişinin ise modelin kendi gürültüsünü ve yerel hatalarını içermesidir. Yalnızca temiz geçmiş üzerinde eğitim yapmak tek adımlı kalite tavanını yükseltebilir, ancak modeli küçük sapmalara karşı aşırı hassas hale getirir. Yalnızca bozulmuş geçmiş üzerinde eğitim yapmak ise görüntü kalitesine, harekete ve kontrol tepkisine zarar verebilir.
R2, temiz geçmişi ve gürültülü geçmişi tek bir eğitim sürecinde harmanlar. Temiz geçmiş dünya evriminin kalite tavanını sabitler. Gürültülü geçmiş, modelin dağıtımda göreceği kusurlu durumlara önceden uyum sağlamasını sağlar. Bu tamamlayıcı eğitim, eğitim ile çıkarım arasındaki boşluğu daraltır; böylece geçmiş zaten küçük bir hata içerdiğinde bile model yüksek kaliteli bir sonraki dünya segmentini üretebilir ve ileriye doğru akmaya devam edebilir.
Causal Attention Mask ve Relative Temporal RoPE, mevcut durumun hangi geçmişi okuyabileceğini ve bu geçmişin mevcut pencerede nerede durduğunu birlikte sınırlar. Attention Mask katı nedensel görünürlüğü uygular. Temporal RoPE, küresel bir blok kimliğiyle sınırsızca büyümez; mevcut dikkat penceresi içindeki göreli yuvalara göre yeniden indekslenir. Kayan pencere ileri doğru hareket ettiğinde gerçek zaman ilerlemeye devam eder, ancak çapa hafızası, yakın geçmiş ve mevcut blok kararlı, sınırlandırılmış bir göreli konum aralığına eşlenmiş olarak kalır.

Şekil 3. Hybrid Teacher / Diffusion Forcing için birleşik nedensel dikkat maskesi ve göreli zamansal RoPE. Üst kısım iki geçmiş kurgusu için nedensel görünürlüğü gösterir. Alt kısım sorguları Q/K bloklarına, göreli yuvalara ve RoPE kimliklerine eşleyerek, pencere içi zaman koordinatları sınırlı kalırken gerçek blok kimliklerinin ilerlemeye devam ettiğini gösterir.
Çok zaman ölçekli hafıza (Multi-timescale memory)
Uzun vadeli dünya modellemesi tüm geçmişi bellekte tutamaz. Sınırsız geçmiş hesaplama ve bellek maliyetini hızla artırır; aşırı budama ise karakter kimliğini, sahne düzenini ve kilit olayları siler. R2; Sink Memory, Rolling History ve Object KV Cache bileşenlerinden oluşan çok ölçekli bir bellek sistemi kurar.
- Sink Memory: Karakter, sahne, stil ve dünya kuralları gibi uzun vadeli çapaları saklar.
- Rolling History: Yerel durumun doğal bir şekilde bağlanabilmesi için son eyleme, poza, kameraya ve ortam değişimine odaklanır.
- Object KV Cache: Önceden hesaplanmış nesne düzeyindeki geçmiş temsillerini yeniden kullanır ve sıkıştırır; sonraki evrimi gerçekten etkileyen durumları sınırlı bir kaynak içinde tutar.
Bu üç bileşen birlikte uzun vadeli kimlik kararlılığı, kısa menzilli hareket sürekliliği ve kontrol edilebilir işletim maliyeti sağlar; karakter kaymasını, sahne atlamalarını ve bloklar arası titreşimi azaltır.
Error Bank (Hata Bankası)
Bir AR dünya modelindeki ciddi kaymalar genellikle geçmişe yazılan ve daha sonra devralınan küçük bir erken hatadan başlar. R2, temsil edici hata geçmişlerini yeniden kullanılabilir örnekler olarak saklayan ve bunları eğitim sırasında belirlenen bir oranda normal geçmişe dahil eden bir Error Bank oluşturur. Model artık yalnızca ideal bir durumdan nasıl devam edeceğini öğrenmekle kalmaz; aynı zamanda sapmış bir geçmişi nasıl tanıyacağını, absorbe edeceğini ve onaracağını da öğrenir.
Aşamalı değerlendirmede uzun vadeli parlaklık kayması metriği 0,201’den 0,129’a düşerek yaklaşık %35,8 oranında bir gerileme gösterdi. 29 uzun dizi örneğinden 20’sinde belirgin iyileşme sağlandı ve sabit kalması gereken 5 örneğin tamamında istenmeyen hatalı hareketler engellendi.
Gerçek Zamanlı Hızlandırma
R2’nin gerçek zamanlı hızlandırması, birkaç adımlı bir model içinde uzun menzilli bir dünyayı sıfırdan öğrenmeye çalışmaz. Zaten uzun süre kararlı çalışabilen bir dünya modelini hızlandırır. Hızlandırma katmanı sürekli önceden eğitilmiş Omni Causal AR’den başlar ve bunu hem öğrenci ODE başlatması hem de damıtma öğretmeni için kullanır; böylece öğretmen, öğrenci ve gerçek AR çıkarımı tutarlı bir nedensel yörünge dağılımını paylaşır.
Bu birleşik nedensel başlangıç noktası, Self-Forcing ve Rolling Forcing tarzı ince ayarlara olan bağımlılığı azaltır. Gerçek zamanlı hızlandırma, birkaç adımlı hızın gerçekte ortaya çıkardığı sorunlara odaklanabilir: Çekişmeli düzenlileştirmeli DDMD, damıtma sırasında koşul hizalamasını, üretim dağılımını ve gerçekçiliği ele alır; blok-seyrek dikkat (block-sparse attention) uzun bağlamlı hesaplamayı sıkıştırır; piramit yaklaşımı ise yüksek çözünürlüklü üretimin maliyetini düşürür.
Çekişmeli düzenlileştirmeli DDMD
Ultra az adımlı üretimde koşul hizalaması, dağıtım eşleştirme ve gerçekçilik aynı optimizasyon problemi değildir. R2, DDMD’ye dayanır ve ayrıca DMD2’den çekişmeli düzenlileştirmeyi sisteme katar. Üç eğitim sinyali tek bir öğrencide buluşur: Koşul hizalaması kontrolü güçlendirir, dağıtım eşleştirme öğretmenin bilgisini korur ve çekişmeli düzenlileştirme gerçek verileri sabitler; böylece az sayıda örnekleme adımı hem doğru etkileşim tepkisini hem de inandırıcı bir dünyayı koruyabilir.
Blok-seyrek dikkat (Block-sparse attention)
R2, uzamsal-zamansal belirteç (token) dizilerinde blok-seyrek dikkat kullanır. Model; Q, K ve V’yi hesaplama bloklarına ayırır, her bir sorgu bloğunun en çok hangi anahtar/değer bloklarına ihtiyaç duyduğunu hızla tahmin eder, yalnızca en yüksek puanlı bağlantıları tutar ve seçilen bu bloklar üzerinde tam softmax dikkat çalıştırır. Blok düzeyinde yönlendirme rastgele bir budama değildir; hesaplamayı mevcut çok modlu kontrol, son hareket ve kilit dünya durumu arasındaki güçlü bağımlılıklara odaklar.
Modeli eğitim sırasında seyrek bağlantı yapısına uyarlayarak R2, dikkat seyrekleştirmesini %90’ın üzerine çıkarırken görüntü kalitesini, hareket sürekliliğini, koşul takibini ve uzun vadeli kararlılığı belirgin bir düşüş olmadan korur.
Piramit ultra az adımlı damıtma
Tüm dünya modellemesini yüksek çözünürlüklü alanda sıfırdan yapmak, daha düşük bir çözünürlüğün zaten belirleyebileceği küresel yapı üzerinde hesaplama gücünü israf eder. R2, üretimi bir veya iki düşük çözünürlüklü aşama artı bir yüksek çözünürlüklü aşama olarak düzenler. Düşük çözünürlüklü aşamalar sahne düzenini, özne hareketini ve kamera yapısını belirler. Yüksek çözünürlüklü aşama ise dokuyu, kenarları ve yerel ayrıntıları geri kazandırır. Kabadan inceye doğru ilerleyen bu yol, daha güçlü yapısal kararlılık ve detay sağlarken tekrarlanan yüksek çözünürlüklü hesaplamayı ortadan kaldırır.
Sonuç ve Sınırlar
PixVerse R1 ilk gerçek zamanlı video dünya modelini sunarak videonun çevrimdışı sabit içerikten gerçek zamanlı etkileşime girebilen ve kesintisiz çalışan dinamik bir dünyaya geçebileceğini gösterdi. PixVerse R2 ise bu paradigmanın nasıl ölçeklenmeye devam edeceğini çözüyor: Birleşik bir Omni Causal AR büyüyen verileri, görevleri, modaliteleri ve zaman ölçeklerini taşırken, Gerçek Zamanlı Hızlandırma tam dünya modelleme yeteneğini gerçek zamanlı az adımlı çıkarıma dönüştürüyor.
R2 tek noktalı bir yetenek yükseltmesi değildir; yeni nesil gerçek zamanlı dünya modelleri için birleşik bir eğitim yoludur. R1 gerçek zamanlı video dünya modellerini hayata geçirdi; R2 ise onları birleşik, ölçeklenebilir ve sürekli gelişen bir aşamaya taşıyor.
Katı bir gerçek zamanlı hesaplama ve etkileşim gecikmesi bütçesi altında, mevcut tek seferlik üretim kalitesinin önde gelen çevrimdışı video modellerine kıyasla özellikle karmaşık sahne detaylarında, hareket doğallığında, fiziksel tutarlılıkta ve uzun süreli kararlılıkta hala gelişme alanı bulunmaktadır. Bu farklar, çerçevenin kendi sınırından ziyade R2’nin mevcut ölçeklenme aşamasını yansıtmaktadır.
Erken Erişim
23 Ağustos 2026 itibarıyla bu rapor PixVerse R2’yi kapalı test olarak tanımlıyordu. 22 Eylül 2026’da PixVerse, bu dünyalardan bir koleksiyonun world.pixverse.video adresinde keşfe açık olduğunu duyurdu. R2 lansman duyurusuna bakın.
Bu duyuru kısıtsız API erişimi açmaz. PixVerse dünya modeli R2 deneyim formu, erken deneyim ve API erişimi için başvuru yolu olmaya devam eder.
İlgili Kaynaklar
- PixVerse R1 Açıklaması: Gerçek Zamanlı AI Video Dünya Modeli
- PixVerse Oyun Motoru Derinlemesine İnceleme
- PixVerse, R1’i Paylaşılan Dünyalar ile Güncelliyor
- Gerçek Zamanlı AI Video Üretim Rehberi
- PixVerse Series C Genişlemesini Tamamladı
22 Eylül 2026 duyurusundaki dünyalar world.pixverse.video adresinde keşfe açıktır. API erişimi hâlâ yukarıdaki form üzerinden talep edilir. Bugün PixVerse V6 ve R1 ile de üretmeye başlayabilirsiniz.