视频版 GPT-Live 来了！事事有回应，时时它都在

视频版 GPT-Live 来了？

似乎，我们正在见证一个「长时、智能的AI互动娱乐基础设施」的诞生。

麦克卢汉说过，媒介真正塑造的，是「人类关联与行动的规模和形式」。

未来最成功最有代表性的公司或个体，很可能都将呈现同一种特征：一半媒体，一半机器；既生产产品，也生产现实。

从文本到语音，到视频，再到世界模型，AI正在从回答问题走向陪伴用户，以及用新交互创造新世界……

上面的这些感受，都来自于形界智能这次发布的 Genesis-1.0。

实时，持续互动，模型能在一个开放环境里不断理解我、回应我，还能维持住自己的状态。

官网：https://www.frame-x.ai/models/genesis

过去的AI产品，用户一次打开，是为了得到一个答案；

但在AI陪伴、虚拟人、直播互动等新场景里，用户正在逐渐进入更长时间、更高频的持续互动。

而这一切背后的模型基础设施，也在构建一个更精彩的沉浸式娱乐宇宙的雏形。

当我发现，可以像跟真人主播一样，在直播间实时互动，事情变得越来越有趣了……

01视频版 GPT-Live，非常有想象力

之前做过不少视频生成和数字人测评。

很多时候，生成的片段给我一种预制菜的感觉，像视频片段拼接起来的回应，缺少一个稳定世界。

Genesis-1.0 提出的新架构里，有一个点我很感兴趣。

它把规划层和感知渲染层解耦。

Genesis-1.0 具备视频双工能力，负责感知用户、渲染画面，实现极低的端到端角色行为延迟，包括动作和表情。

Genesis-1.0-Brain 则负责处理语言风格以及 MCP 调用等。

视频双工场景里，语言智能和视觉行为智能需要不同的优化路径。

Brain 处理内容、风格、工具调用，渲染层处理看和动。两者解耦，开发者更容易理解，也更容易接入。

基于新的视频双工架构，从数据和效果看，Genesis-1.0 已经在生成时长、响应速度、应用成本上达到业内领先的 Interactive Avatar 水准。

全身渲染支持；端到端画面延迟最佳 1.2 秒；最大生成时长是 24 小时。

效率和成本还能有很好的平衡，Pricing 是 0.003 美元每秒，行业平均价格在 0.006 美元每秒……

相比HeyGen LiveAvatar，Runway Avatar等上一代的数字人产品，我想说已经来到了新的竞争维度。

对于开发者来说，纸面参数还在其次，关键这是产品能不能成立的边界。

我在想，一个 AI 陪伴产品，如果每 5 分钟就要重启一次世界，用户体验会断。

一个虚拟人直播，如果响应超过 2 秒，互动感会明显下降。

同样，一个互动娱乐应用，如果成本压不下来，商业模型就跑不通。

Genesis-1.0 作为一个长时、智能的AI互动娱乐基础设施，已经悄悄把很多背后的技术支持做到了更好。

我之前的创业项目，意识永藏，是一个面向老年富豪群体的意识上传以及定制化陪伴，一度因为模型能力和配套设施的限制，在家族形象传承、数字人交互上，存在各种问题。

但现在，长时陪伴、类人交互，新的可能性因为Genesis-1.0重新打开了。

02新交互带来全新体验，类人交互有了行为闭环

类人的感觉，外表、静态视觉还在其次，行为才是关键。

体验下来给我的感觉是，Genesis 能感受到我的存在。

Genesis-1.0 同时具备主动感知与生成能力，支持和用户摄像头直接交互，并以极低的端到端延迟，实时反馈角色的行为。

很多数字人产品，它们能说话，能对口型和能做预设动作，但一旦打开摄像头，它们就露馅了。

这种交互本质上还是 Chatbot 加一层视频的皮。

真正的视频双工，需要模型持续看到用户，并把视觉理解直接转化为下一步行为。

Genesis-1.0 在视频双工场景中，展现出类人交互和端到端推理能力。

看起来是一个视频，其实背后包含了三个交互效果。

我说话时，它会思考，能互动打招呼、倾听，甚至还会模仿人：

聆听是感知，思考是推理，反馈是决策，表达是生成。

四个环节都要在极低延迟下完成。更低的的响应速度，放在这个闭环里，才有意义。

在我看来，这个能力会直接影响 AI 社交和陪伴产品的形态。

过去的 AI 陪伴更多是文字和语音，用户想象对方的形象。

视频双工加入后，用户直接看到一个角色，角色也直接看到用户。互动从语言扩展到表情、动作、视线和环境。产品设计空间会变大。

虚拟人直播可以实时回应观众动作。AI 陪伴可以感知用户情绪和状态。互动娱乐可以让用户成为场景的一部分。

这些场景都需要模型持续看到用户，并且把视觉理解转化为下一步行为。

0324h 形象不崩，视频双工有了长度的跃迁

24 小时，我觉得不只是生成时长变长。

过去实时视频生成，主要采用 Auto-Regressive 方式连续生成，模型以前序生成结果作为上下文，持续预测后续内容。

随着生成时间拉长，微小误差不断累积，最终会导致 IP 漂移和场景状态崩溃。

所以实时视频从分钟级走向长时生成，核心难题在于更长的时间尺度上保持世界状态稳定。

生成更多内容只是表面，真正难的是让模型始终知道世界现在是什么样，下一刻应该发生什么。

形界智能的Genesis-1.0，他们认为视频模型最终应该自己学会理解和维护世界状态。

不需要把世界拆成一套额外的 3D 表示，可以直接在视频表征中学习世界的结构、状态与变化规律。

这种统一的视频表征也更符合 Scaling 规律。

随着模型规模、数据规模和训练规模提升，模型可以持续学习更复杂的世界与交互，而无需同步扩张一套外部的结构化世界表示。

形界想走的路，是让视频模型自己在表征里学会世界状态。

Genesis-1.0 针对长时误差累积与生成一致性进行专项优化，将业界约 5 分钟级的互动时长，提升至稳定 24 小时。

因为长时生成最怕只看开头。开头漂亮没有意义，24 小时后的状态才说明问题。

人物身份是否一致，服装是否漂移，场景结构是否稳定，物理交互是否合理，行为逻辑是否连贯。这些才是世界状态稳定性的真实考题。

这让我想到长上下文 LLM 的能力演进。长上下文是在更长的历史中，依然能够正确理解当前状态并做出下一步判断。视频世界模型也是如此。

长时生成是在更长的时间里，始终知道世界现在是什么样，以及下一刻应该发生什么。

Genesis-1.0 让视频生成从生成一段内容，走向持续维护一个状态。

对于我们这些开发者、参与者，也意味着虚拟人直播、AI 陪伴、互动娱乐等产品，可以从每次生成一段内容，真正升级到一个角色持续存在。

新的关系感、养成感、陪伴感，体验也会得到大的升级。

04模型即产品，下一代 AI 社交与陪伴的基础设施

Model is Product 的时代，Genesis 本身就是一款高成熟度的产品。

不管是开发者还是普通玩家，拿到的不再只是一个视频生成能力，是一套全新的互动内容生产方式。

Genesis-1.0 把规划层和感知渲染层解耦，也是降低门槛的一部分。

Brain 处理问答内容、语言风格和 MCP 调用。

视频双工层负责感知用户、渲染画面，实现极低的端到端角色行为延迟。

开发者可以更灵活地接入自己的业务逻辑。需要工具调用，交给 Brain。

需要视觉交互，交给视频双工层。

需要长时稳定，交给 Genesis-1.0 的世界状态维护能力。

分工很精准也很实用。

背后的团队，年轻、快、务实、一直在向市场交付东西。

从产品到模型，都给我一种很有突破创新精神的感觉。

持续在场、持续感知、持续回应。

未来一两年，视频模型的竞争会从单次生成质量，转向持续互动质量。

谁能在一个更长的时间尺度上维持世界状态，谁能让角色持续存在，谁能以极低延迟理解用户并回应，谁就能拿到下一代互动娱乐和 AI 陪伴的入场券。

尼尔·波兹曼，Neil Postman，美国著名媒介理论家，《娱乐至死》的作者，长期在纽约大学研究媒介生态学。

他有一个极其重要的判断：技术变化不是叠加式的，而是生态式的。

他的意思是，一项新技术进入社会，并非在原来的世界上多加一个工具，它会把整个环境一起改掉。

Genesis-1.0 就在改变一整套环境，在构建一个新的AI原生的娱乐及陪伴生态。

官网：https://www.frame-x.ai/models/genesis

快去官网看一看！还有24小时无人在线的直播间，数字人主播全天侯陪你互动！

也许，这将是我们和AI深度关系的开始……

朋友圈会发一些具体的案例和商业化日常～