说说对Genesis-1.0的看法

回复 群友 8764 先说结论：Genesis-1.0 是形界智能（frame-x.ai）的视频双工模型，方向值得认可，但更接近「可实时交互的数字人基础设施」，还不是世界模型。 它的核心思路和行业常见的实时视频生成不同。现在多数玩家仍采用两段式流程：先由理解模型把摄像头画面里的动作翻译成文字或指令，再交给生成模型生成画面，中间来回一轮就浪费了 4 秒以上，交互感直接崩掉。形界采用端到端方案，把理解与生成放进同一个模型、同一时间线上共同建模，摄像头连续视频流直接进入模型，模型直接输出画面，因此能实现随时打断、能看见你、延迟压到 1.2 秒左右。这不是工程优化，而是架构路线上的取舍。 几个关键参数值得注意： 一是时长。它针对长时误差累积做了优化，把互动时长从行业大约 5 分钟提升到 24 小时，保证人物身份、服装和场景不发生漂移。这个比单纯做长，难得多，因为长时生成最怕只看开头，24 小时后的状态才说明问题。 二是架构解耦。视频双工层负责感知和渲染，Brain 层负责语言风格和 MCP 工具调用。这个拆法对开发者比较友好，内容归内容、视觉归视觉，接业务逻辑不至于全混在一起。 三是价格。0.003 美元每秒，是行业均价的一半左右。两小时的 AI 直播互动大概从五六千块压到几十块，成本一旦到这一步，商业模型才跑得通。 我的判断偏保守。它现在最像的产品是 HeyGen LiveAvatar、Runway Avatar 的下一代，目标场景是直播、陪伴、互动娱乐，属于「让一个角色持续在场」。但真正世界模型要的是物理仿真、记忆、多人参与、画面精细度，团队自己也说现在还在 GPT-3 前夜，这个自我认知是清醒的。所以短期看它的价值在交互形态的产品创新，长期才是世界模型叙事。 另外要说明：它的竞品能力不只靠参数。这类应用的核心壁垒其实是在长时状态稳定性和单位成本，这两个指标恰好决定了产品能不能成立：超过 2 秒延迟或每 5 分钟重启一次世界，用户就会流失。Genesis-1.0 把这两项都压到可用区间，这一点比宣传里的「24 小时」更有意义。