Vivix A1发布：首个实时交互多模态基础模型

Vivix（灵动时刻）正式发布其首个实时交互多模态基础模型 A1，以及配套的世界观模型 W1。A1 被官方定位为「全球首个在一套原生流式架构中，统一多模态参考、实时交互和流式生成的基础模型」，强调让屏幕中的虚拟角色拥有身体，能够行动、转身、与环境持续互动，而非仅停留在口播层面。W1 则进一步让用户可以介入叙事，改变角色选择与剧情走向。

围绕 A1 的工程化落地，Vivix 在模型层与基础设施层同时给出了多项技术披露。

模型架构：统一流式架构与多模态联合建模

A1 面向流式生成的本质难题——角色身份、场景与物体关系在长时间 rollout 中容易漂移——将图片、视频、声音、交互历史与已生成内容共同写入持续状态，通过因果时序建模与流式状态维护保持局部动作连续与全局一致性。

在交互信号建模上，A1 不再以 ASR 文本作为唯一的中间表示，而是直接建模语言语义、声学特征、非语言声音、环境事件、手势与动态视觉信号。最短约 300 ms 的最小时间片内即可推理出对上下文的最新响应 token（被官方称为「快思考」），上层的 Director Agent 异步承担长时序宏观行为控制（「慢思考」），从而让语气变化、环境声响、画面动作都能实时触发新的生成。

MJD：把 8 步视频扩散压缩到 2 步

为支撑实时性，A1 采用 Vivix 提出的多维联合蒸馏（MJD），以 8 步版本作为质量基线，将不同去噪阶段承担的能力共同压缩进 2 步模型，而不是只优化单帧画质。MJD 同时优化三个目标：

Short-Horizon Generation Quality：保留快速采样下的视觉细节与运动表现；
Long-Horizon Temporal Consistency：抑制连续 rollout 中的漂移与累计误差；
Multimodal Distribution Alignment：对齐 latent 空间、像素空间及语义、动作分布。

MJD 还要求学生模型学习教师模型更完整的动作分布，并在 latent 空间与原始数据空间同时优化，避免模型通过「少动」换取稳定。最终在保持接近 8 步版本短时画质、指令遵循与长时稳定性的同时，将推理步数压缩至 2 步。

VMI：把近30B 模型塞进消费级显卡

A1 有效激活参数近 30 B，采用 8×8×4 高质量压缩率，每秒 token 吞吐需达同类实时视频方案的数十倍。Vivix 同步推出 VMI（Vivix Model Infra），从三个方向压缩推理成本：

Encoder 与 Decoder 解耦：多模态 Encoder 走大 Batch 高吞吐路线，Real-Time Decoder Loop 走低延迟路线，二者拆成独立服务、独立扩缩容；推理阶段进一步引入 prefill/decode 分离与 KV Cache 传输层重设计。
原生 NVFP4 训推协同：将 Blackwell GPU 的 NVFP4 GEMM 设为目标推理路径，在训练与蒸馏阶段引入 low-precision-aware distillation，并加入针对视频生成的去噪误差校正，对齐训练精度与 NVFP4 推理 Kernel 的分布。
计算、通信、显存协同调度与 mega-kernel：构建 Compute-Communication-Memory Co-Scheduling Engine，将 Attention 通信、显存 Offload 与跨服务数据传输放入不同 CUDA Stream；将计算与通信融合进 Mega Kernel；通过 CUDA Graphs 把数百次 Kernel Launch 压缩为少量统一提交。

实测数据显示，VMI 单卡吞吐超过 10000 video tokens/s，多卡链路 PCIe 带宽利用率达 88% 以上；流式调度器响应新输入最短 300 ms，用户输入到画面出现可见反应的平均延迟低于 0.6 秒。

落地与边界

A1 与 W1 已开放内测，可通过官网及 API 开放平台申请体验。从官方披露来看，A1 的核心贡献是把「统一流式架构」「MJD 蒸馏」「原生 NVFP4」「计算-通信-显存协同调度」等模块拼成了一条端到端可实时运行的链路，使近 30 B 激活参数的多模态模型在消费级 GPU 上以近无损画质完成实时生成与交互。

与此同时，官方也坦承这仍距真正的「平行世界」很远，但「这通电话已经传来了第一声回音」。