henry 发自 凹非寺量子位 | 公众号 QbitAI
要我说，，，，诺兰的《星际穿越》，，，，照旧拍守旧了。。。。。
影戏里，，，，两个平行时空的交汇，，，，要靠摩斯密码。。。。。
现在天，，，，AI已经能“附”到任何物体或角色身上，，，，让它们在另一个天下里启齿、行动，，，，和你实时视频通话。。。。。
好比，，，，这只小猫可以一边说着土味情话，，，，一边弓背、摇尾巴、抬爪子，，，，还能在自己的天下里往返走动（注重看，，，，它脚下的影子也会随之转变）。。。。。
主要的是，，，，这些反映并不是提前编排好的。。。。。
小猫会随着你的声音即时转变：你说一句，，，，它就凭证新的输入作出新的行动和回应。。。。。
而这只小猫背后，，，，就是Vivix最新宣布的实时交互多模态模子A1。。。。。
A1让用户可以像打视频电话一样，，，，与屏幕另一端的虚拟角色一连交流。。。。。
相比古板数字人和视频天生模子，，，，A1最大的差别在于——
屏幕里的角色真正拥有了身体。。。。。它不再只是对着镜头语言，，，，而是能够行动、转身、改变姿态，，，，并与所在天下里的物体和情形一连互动。。。。。
可以说，，，，这种感受，，，，真的像在和另一个平行天下连线。。。。。
与此同时，，，，为了让角色背后的天下也变得越发富厚，，，，Vivix还同步推出了W1。。。。。
W1让用户不再只是站在屏幕外看故事，，，，而是可以随时介入，，，，改变人物的选择、行动，，，，以及接下来的剧情走向。。。。。
看到这里你可能会想：这得多吃算力。。。。 ？？？？
但据Vivix官网手艺博客先容，，，，A1虽然拥有近30B激活参数，，，，却通过MJD、原生NVFP4训推战略和一套自研的通讯-盘算调理+mega-kernel推理基础设施，，，，将安排门槛极致地压到了消耗级GPU实时推理，，，，近似画质下推理效率提升了近两个数目级。。。。。
与此同时，，，，其流式调理器响应新输入的时间最短为300毫秒，，，，从用户发出输入，，，，到画面首次泛起可见反映，，，，延迟平均0.6秒。。。。。
也就是说，，，，这边话音刚落，，，，屏幕另一端的角色基本已经动起来了。。。。。
官方现已开放内测，，，，接待会见官网及API开放平台申请体验：https://vivix.ai/
它事实是怎么做到的 ？？？？
统一流式架构与原生交互建模
这通平行天下的视频电话要真正接通，，，，第一步不是让角色回覆得多智慧，，，，而是让它在一连天生历程中，，，，始终照旧统一个角色、身处统一个天下。。。。。
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流式天生的基础模子。。。。。
拆开来看，，，，A1在模子层面主要做了三件事：
参考条件要一连生效，，，，新的交互要随时插进来，，，，音频和视频还得一直往下天生。。。。。
统一多模态参考、交互与流式天生
为了实现上面的效果，，，，A1首先把多模态参考、实时交互和视频天生，，，，统一进了一套原生流式架构。。。。。
这听起来像是把几个 ？？？？榻釉谝黄，，，，但真正难题的地方在于：
模子既要随时响应用户的新输入，，，，又要在一直向宿世成的历程中，，，，维持角色、物体和场景的恒久一致性。。。。。
古板clip-based视频模子通常一次天生一个完整片断，，，，由于可以提前看到整个片断，，，，它能够统筹前后的行动和画面，，，，相对容易包管人物、场景和物体关系不爆发显着转变。。。。。
流式天生却没有这样的条件，，，，它不知道几秒之后会爆发什么，，，，只能一边看着已经天生的画面，，，，一边吸收用户刚刚发来的指令，，，，实时展望下一段内容。。。。。
这就像一边铺铁轨，，，，一边开火车。。。。。天生一连得越久，，，，误差就越容易一直累积。。。。。角色的形状、位置和行动可能逐渐漂移，，，，物体与场景之间的空间关系也可能被破损。。。。。
最简朴的解决步伐，，，，自然是让角色少动一点，，，，用僵硬换稳固。。。。。
但一只不敢转身、不敢走动，，，，甚至不可真正接触情形的猫，，，，显然谈不上拥有身体。。。。。
A1的做法，，，，是把图片、视频、声音、交互历史和已经天生的内容配合写入一连状态，，，，让它们在后续流式天生中重复生效。。。。。
详细的，，，，A1通过因果时序建模和流式状态维护，，，，让相邻行动坚持一连，，，，并在更长时间规模内维持角色身份、场景和物体关系。。。。。
其中，，，，局部一连性先验认真让相邻行动自然接上，，，，全局序列先验则看住更长时间里的角色身份、场景和物体关系。。。。。
在此基础上，，，，模子同时优化开放式指令遵照、时间一连性、角色一致性、物体一致性和运动动态，，，，重点处理恒久天生中的视觉漂移、误差累积和行动衰减。。。。。
换句话说，，，，A1既要包管角色一直是它自己，，，，也不可由于怕蜕化，，，，就让它站在原地一动不动。。。。。这是它与现有所有数字人相关模子产品最大的差别。。。。。
不过，，，，让角色和天下坚持一连，，，，只解决了“它还在不在”的问题。。。。。
想要像视频通话一样互动，，，，它还得听懂文字之外正在爆发的一切。。。。。
Speech、Audio、Gesture与Event统一建模
今天的大大都数字人，，，，实质上照旧一条串起来的流水线：
ASR先把语音转成文字，，，，LLM凭证文字天生回覆，，，，TTS再把回覆酿成声音，，，，最后由Motion Model或Video Model补上口型和行动。。。。。
这套要领可以事情，，，，但链路每多一层，，，，就会多一次期待和信息交接。。。。。
更贫困的是，，，，许多信息基础没法被完整压缩成文字。。。。。
一句话里的语气、停留和情绪，，，，情形里突然响起的雷声、风声，，，，或者画面中泛起的手势和行动，，，，都可能在转写历程中被丢掉。。。。。
A1没有把ASR文本看成唯一的交互中心体现，，，，而是直接建模语言语义、声学特征、非语言声音、情形事务、手势和动态视觉信号。。。。。
如上图所示，，，，多模态上下文（包括音视频参考、系统prompt、历史帧等）会原生多模态地输入给A1模子，，，，模子在最小时间片内（约300ms）就会推理出对上述上下文的最新响应token。。。。。这部分可以明确为模子的“快思索”。。。。。
更上层的Director Agent则认真“慢思索”——推理、思索、tool use，，，，并异步给出长时序的宏观行为控制。。。。。
于是，，，，角色不必只等一轮完整的文字转写竣事后再行动。。。。。
用户的语气爆发转变，，，，情形里突然泛起新的声音，，，，或者画面中有人做出新的行动，，，，都可以成为新的触发信号，，，，继续改变尚未天生的内容。。。。。
这就是A1所强调的一连聆听和事务触发响应。。。。。
感知、妄想、行为控制和音视频天生，，，，不再是几个各自排队的离线使命，，，，而是进入了统一条实时链路。。。。。
到了这里，，，，角色已经能够听懂用户，，，，也知道接下来该做什么。。。。。
但若是下一帧要等上几秒，，，，这通视频电话依然打不起来。。。。。
MJD把8-Step压缩到2-Step
实时性的下一道瓶颈，，，，来自视频扩散自己。。。。。
视频扩散的差别采样方法肩负着差别使命：有的先搭出语义结构和运动偏向，，，，有的增补局部细节，，，，尚有的认真维持前后画面的一连性。。。。。
因此，，，，直接镌汰采样步数，，，，往往会同时损失行动幅度、画面细节和长时稳固性。。。。。
为此，，，，Vivix提出MJD（Multidimensional Joint Distillation，，，，多维联合蒸馏），，，，以8-Step版本作为质量基线，，，，把差别去噪阶段肩负的能力配合压缩进2-Step模子，，，，而不是只针对单帧画质蒸馏。。。。。
详细的，，，，MJD同时优化三个目的：
Short-Horizon Generation Quality：保存快速采样下的视觉细节和运动体现；；；；Long-Horizon Temporal Consistency：抑制一连rollout中的漂移与累计误差；；；；Multimodal Distribution Alignment：对齐latent空间、像素空间以及语义和行动漫衍。。。。。
别的，，，，为防止模子通过少动换取稳固，，，，MJD还让学生模子学习西席模子更完整的行动漫衍，，，，同时在latent潜空间和原始数据空间中举行优化。。。。。
前者看住整体生身漫衍，，，，后者增补细小行动、视觉纹理和恒久累计误差优化。。。。。
由此，，，，视频扩散从8-Step质量基线压缩到2-Step推理，，，，同时坚持了靠近8-Step版本的短时画质、指令遵照、运动体现和长时稳固性。。。。。
近30B激活参数模子怎样跑进消耗级显卡
近期市面上陆续泛起一些近似实时推理的视频天生模子，，，，包括一系列实时视频“天下模子”。。。。。
他们的实现方式通常是基于小参数目（如1~5B）或较大的VAE压缩比（如16x16x8）来实现，，，，牺牲了模子的capacity，，，，导致模子效果要么不可有大运动，，，，要么就会频仍泛起较大artifacts。。。。。
从手艺博客中我们看到Vivix本次宣布的两个模子的有用激活参数靠近30B，，，，并接纳了8x8x4的高质量压缩率，，，，盘算下来每秒token吞吐需要做到前述事情的数十倍，，，，这对模子推理本钱和实时性带来了极大挑战。。。。。
为了稳稳接住这条实时链路，，，，Vivix还推出了VMI，，，，也就是Vivix Model Infra。。。。。
VMI的思绪可以概括为三步：把相互滋扰的使命拆开，，，，让模子以更低精度运行，，，，再把盘算、通讯和内存统一调理。。。。。
Encoder与Decoder解耦
第一步，，，，是把容易相互堵车的使命拆开。。。。。
多模态Encoder认真处理图片、视频、语音和其他参考条件，，，，更适适用大Batch追求高吞吐；；；；Real-Time Decoder Loop则要一连逐帧天生，，，，更在意低延迟、稳固输出和随时打断。。。。。
若是把两者塞进统一个资源池，，，，Encoder正在处理的批量使命，，，，就可能堵住Decoder的实时链路。。。。。
VMI因此把它们拆成自力服务，，，，划分设置历程、资源池和扩缩容战略。。。。。
参考图片和语音可以集中编码，，，，正在举行的视频互动则不必在后面排队。。。。。
在服务层完成Encoder与Decoder解耦之外，，，，VMI还在推理阶段引入prefill/decode疏散，，，，并重新设计了KV Cache传输层。。。。。
这两种“拆开”处理的是差别问题：
前者隔离差别类型的使命负载，，，，后者镌汰推理阶段之间的状态搬运和期待。。。。。凭证Vivix的说法，，，，这组成了其面向实时视频天生的PD疏散架构。。。。。
整套链路最终支持稳固一连天生、模子级打断和实时重定向，，，，Encoder与Decoder也可以自力弹性伸缩。。。。。
据悉，，，，这套流式调理器响应新输入最短仅需300毫秒，，，，从用户给出新指令到画面泛起可见反映，，，，平均延迟低于0.6秒。。。。。
原生NVFP4训推协同
把编码息争码拆开，，，，相当于先把蹊径疏通了。。。。。
接下来更直接的问题是：近30B激活参数的模子，，，，怎么装进消耗级显卡 ？？？？
谜底首先指向4-bit。。。。。
更低的数值精度可以镌汰显存占用和盘算量，，，，但视频扩散模子偏偏对量化误差格外敏感。。。。。
单步盘算中的细小数值误差会沿去噪链路和长时间rollout一直累积，，，，最终体现为细节退化、角色漂移和时序不稳固。。。。。
以是，，，，真正难题的并不是“能不可用4-bit跑起来”，，，，而是跑起来以后，，，，视频还能不可保住行动、细节和恒久稳固性。。。。。
针对这一问题，，，，VMI把Blackwell GPU支持的NVFP4 GEMM直接设为目的推理路径，，，，并在训练和蒸馏阶段引入low-precision-aware distillation，，，，让模子提前顺应4-bit数值漫衍，，，，而非训练完成后直接做PTQ。。。。。
别的，，，，针对视频天生链路，，，，VMI还加入了专门的去噪误差校正，，，，压住量化误差在差别timestep和一连帧之间的累积。。。。。
整套训练历程也会直接对齐最终安排使用的NVFP4 GEMM Kernel，，，，镌汰训练精度与推理精度之间的漫衍偏移。。。。。
实测现实，，，，NVFP4相对BF16基线实现了天生质量靠近无损，，，，同时降低显存占用并提高推理吞吐。。。。。
极致的盘算、通讯调理与mega-kernel
NVFP4让模子装得下、算得动。。。。。
但在多卡系统里，，，，尚有最后一道不太显眼的瓶颈：GPU、PCIe和显存不可总在相互期待。。。。。
在RTX级消耗GPU上，，，，多卡通讯主要经由PCIe。。。。。
若是GPU算完以后等数据，，，，PCIe传完数据以后等盘算，，，，大宗冷状态还一直占着显存，，，，那么纵然每一个单独 ？？？？槎己芸，，，，整条链路依然跑不起来。。。。。
VMI为此构建了Compute-Communication-Memory Co-Scheduling Engine，，，，将盘算、通讯和显存调理统一纳入统一张推理执行图。。。。。
它先让Attention通讯、显存Offload和跨服务数据传输运行在差别CUDA Stream中，，，，尽可能和GPU盘算重叠；；；；
再把盘算与通讯融合进Mega Kernel，，，，镌汰中心状态写回和同步期待；；；；
最后使用CUDA Graphs捕获整张流式推理图，，，，把原本数百次Kernel Launch压缩成少量统一提交。。。。。
说得直白一点，，，，就是能并行的只管并行，，，，能合并的只管合并，，，，不让Python、CPU和PCIe成为GPU前面的红灯。。。。。
凭证测试效果，，，，VMI实现单卡吞吐凌驾10000 video tokens/s；；；；在多卡链路中，，，，PCIe带宽使用率抵达88%+。。。。。
把三项优化放在一起看，，，，逻辑着实很清晰：
Encoder与Decoder解耦，，，，认真疏通实时链路；；；；原生NVFP4训推协同，，，，认真让近30B激活参数模子装得下、跑得动；；；；盘算、通讯和内存协同调理，，，，则认真祛除多卡系统里那些看不见的期待。。。。。
到这里，，，，A1才算完成了从“模子可以交互”，，，，到“交互可以实时运行”的最后一公里。。。。。
从一个角色，，，，到一个一连演变的天下
从统一多模态参考与流式天生，，，，到原生交互信号建模；；；；从8-Step压缩到2-Step，，，，再到Encoder/Decoder解耦、原生NVFP4和整套协同调理引擎，，，，六项手艺配合补上了实时交互链路中的差别缺口。。。。。
一套组合拳下来，，，，最终实现了近30B激活参数、近似无损的消耗原生NVFP4、消耗级显卡实时天生。。。。。
以是，，，，Vivix-A1交付的不再只是一个实时交互的看法，，，，而是一套已经运行起来的原生流式多模态模子。。。。。
现在，，，，屏幕另一端的AI已经最先闻声你、转过身，，，，并继续在自己的天下里向前走。。。。。
今天，，，，A1先让谁人角色活了起来。。。。。W1想做的，，，，则是让它死后的天下，，，，也随着你的选择一起改变。。。。。
虽然，，，，这距离真正的“平行天下”虽然还很远。。。。。
但至少，，，，这通电话已经传来了第一声回音。。。。。
