📘 번역 안내: 이 문서는 영어 원본에서 번역되었습니다. 기술적인 세부 사항은 영어 원문을 참조하시기 바랍니다.

PixVerse-R1: 차세대 실시간 월드 모델

초록

네이티브 멀티모달 기반 모델을 기반으로 구축된 차세대 실시간 월드 모델 PixVerse-R1을 발표합니다. 이 시스템은 사용자 입력에 즉각적이고 유연하게 반응하는 실시간 비디오 생성을 가능하게 합니다. 기존 비디오 워크플로우의 고유한 지연 시간과 고정 길이 제약을 극복함으로써 PixVerse-R1은 비디오 생성을 무한하고 연속적이며 인터랙티브한 비주얼 스트림으로 전환합니다. 이것은 시청각 미디어의 창작, 경험 및 공유에 있어 중대한 진화를 나타내며, 사용자 의도에 기반하여 즉각적으로 적응할 수 있는 지능적이고 인터랙티브한 미디어로의 패러다임 전환을 표시합니다.

1. 서론

디지털 미디어 환경은 정적이고 사전 렌더링된 콘텐츠에서 역동적이고 인터랙티브한 경험으로 근본적으로 변화하고 있습니다. 기존 제작 파이프라인은 역사적으로 높은 지연 시간과 고정 길이 클립에 의해 제약을 받아 왔으며, 콘텐츠 제작과 실시간 소비 사이에 이분법을 만들어 왔습니다.

이러한 한계를 해결하기 위해 네이티브 멀티모달 기반 모델, 일관성 자기회귀 메커니즘 및 즉각 응답 엔진을 통합한 새로운 월드 모델 아키텍처를 도입했습니다. 이 통합 접근 방식은 텍스트 및 오디오 데이터와 함께 시공간 패치의 공동 처리를 허용하여 기존 미디어 처리 사일로를 효과적으로 해체합니다. 자기회귀 메커니즘과 즉각 응답 엔진을 통해 무한 스트리밍이 가능한 시스템을 배포함으로써, 생성된 월드는 낮은 계산 오버헤드로 장기간에 걸쳐 물리적으로 일관성을 유지합니다.

핵심 기능: 이 아키텍처를 활용하여 우리 시스템은 최대 1080P의 고해상도 비디오를 실시간으로 생성하는 획기적인 성능을 달성했습니다. 이 기능은 시각적 충실도를 향상시키고, 환경과 내러티브가 사용자 상호작용에 따라 역동적으로 진화하는 AI 네이티브 게임과 인터랙티브 시네마를 가능하게 합니다. 더 넓게 말하면, 이것은 생성 시스템이 유한한 미디어 아티팩트가 아닌 지속적이고 인터랙티브한 월드로 기능할 수 있게 하며, 연속적이고 상태를 가지며 인터랙티브한 시청각 시뮬레이션을 향한 궤적을 나타냅니다.

2. 기술 아키텍처

2.1 Omni: 네이티브 멀티모달 기반 모델

일반적인 기능을 달성하기 위해 우리는 기존 생성 파이프라인을 초월하여 완전한 엔드투엔드 네이티브 멀티모달 기반 모델을 설계했습니다.

• 통합 표현: Omni 모델은 다양한 모달리티(텍스트, 이미지, 비디오, 오디오)를 연속적인 토큰 스트림으로 통합하여 단일 프레임워크 내에서 임의의 멀티모달 입력을 수용할 수 있습니다.
• 엔드투엔드 학습: 전체 아키텍처는 중간 인터페이스 없이 이기종 작업 전반에 걸쳐 학습되어 오류 전파를 방지하고 견고한 확장성을 보장합니다.
• 네이티브 해상도: 이 프레임워크 내에서 네이티브 해상도 학습을 활용하여 일반적으로 크롭핑이나 리사이징과 관련된 아티팩트를 방지합니다.

또한, 이 모델은 대량의 실제 비디오 데이터에서 학습하여 현실 세계의 고유한 물리 법칙과 역학을 내재화했습니다. 이 기초적인 이해는 시스템이 실시간으로 일관되고 반응성 있는 “병렬 세계”를 합성할 수 있게 합니다.

Omni 모델은 효과적으로 확장되며, 단순히 생성 엔진으로서가 아니라 물리 세계의 범용 시뮬레이터를 구축하는 선구적인 단계로 기능합니다. 시뮬레이션 작업을 단일 엔드투엔드 생성 패러다임으로 취급함으로써 실시간, 장기 AI 생성 월드의 탐구를 촉진합니다.

그림 1. Omni 네이티브 멀티모달 기반 모델의 엔드투엔드 아키텍처. 통합 설계를 통해 Omni 모델은 임의의 멀티모달 입력을 수용하고 오디오와 비디오를 동시에 생성할 수 있습니다.

2.2 Memory: 자기회귀 메커니즘을 통한 일관된 무한 스트리밍

유한 클립에 제한된 표준 확산 방법과 달리, PixVerse-R1은 무한하고 연속적인 비주얼 스트리밍을 가능하게 하는 자기회귀 모델링을 통합하고, 생성된 월드가 장기간에 걸쳐 물리적으로 일관성을 유지하도록 보장하는 메모리 증강 어텐션 메커니즘을 통합합니다.

• 무한 스트리밍: 비디오 합성을 자기회귀 프로세스로 공식화함으로써 모델은 후속 프레임을 순차적으로 예측하여 연속적이고 무한한 비주얼 스트리밍을 달성합니다.
• 시간적 일관성: 메모리 증강 어텐션 메커니즘은 현재 프레임의 생성을 선행 컨텍스트의 잠재 표현에 조건화하여 월드가 장기간에 걸쳐 물리적으로 일관성을 유지하도록 보장합니다.

그림 2. Omni 기반 모델과 통합된 자기회귀 모델링.

2.3 실시간 1080P: 즉각 응답 엔진

반복적인 노이즈 제거는 일반적으로 높은 품질을 보장하지만 그 계산 밀도는 종종 실시간 성능을 방해합니다. 이를 해결하고 고해상도(최대 1080P)에서 실시간 생성을 달성하기 위해 파이프라인을 즉각 응답 엔진(IRE)으로 재설계했습니다.

IRE는 다음과 같은 개선을 통해 샘플링 프로세스를 최적화합니다:

• 시간 궤적 폴딩: 구조적 사전 분포로 Direct Transport Mapping을 구현하여 네트워크는 깨끗한 데이터 분포를 직접 예측합니다. 이로 인해 샘플링 단계가 수십 개에서 1-4개로 줄어들어 초저지연에 필수적인 간소화된 경로를 생성합니다.
• 가이던스 정류: 조건부 그래디언트를 스튜던트 모델에 병합하여 Classifier-Free Guidance의 샘플링 오버헤드를 우회합니다.
• 적응형 희소 어텐션: 장거리 종속성 중복을 완화하여 실시간 1080P 생성 실현을 더욱 촉진하는 압축된 계산 그래프를 생성합니다.

그림 3. 즉각 응답 엔진은 시간 궤적 폴딩, 가이던스 정류 및 적응형 희소 어텐션 학습의 세 가지 모듈로 구성됩니다.

3. 응용 및 사회적 영향

PixVerse-R1은 새로운 생성 매체인 실시간, 연속적이며 상태를 가진 시청각 시스템을 도입합니다. 사전 렌더링된 비디오와 달리 이 매체는 사용자 의도에 즉각적으로 반응하는 지속적인 프로세스로 작동하며, 생성과 상호작용이 긴밀하게 결합됩니다. 이 새로운 매체는 다음을 포함하되 이에 국한되지 않는 광범위한 클래스의 인터랙티브 시스템을 가능하게 합니다:

• 인터랙티브 미디어

  • AI 네이티브 게임 및 인터랙티브 시네마 경험
  • 실시간 VR/XR 및 몰입형 시뮬레이션

• 창의적 및 교육 시스템

  • 적응형 미디어 아트 및 인터랙티브 설치
  • 실시간 학습 및 훈련 환경

• 시뮬레이션 및 계획

  • 실험 연구 및 시나리오 탐색
  • 산업, 농업 및 생태 시뮬레이션

특정 응용 프로그램을 넘어, PixVerse-R1은 연속적인 시청각 월드 시뮬레이터로 기능하여 인간 의도와 시스템 응답 사이의 거리를 줄이고 지속적인 디지털 환경 내에서 새로운 형태의 인간-AI 공동 창작을 가능하게 합니다.

4. 결론

PixVerse-R1은 멀티모달 처리 및 즉각적 응답에서의 아키텍처 혁신을 통해 기존 비디오 워크플로우의 고유한 한계를 극복하는 실시간 생성 프레임워크를 도입합니다. 일관된 실시간 생성을 가능하게 함으로써 이 모델은 시청각 미디어의 창작과 경험에 있어 중대한 진화를 나타냅니다. 실시간 지연으로의 전환은 정적 콘텐츠 소비에서 동적 환경 상호작용으로의 전환을 가능하게 하며, AI 네이티브 게임에서 복잡한 산업 시뮬레이션에 이르는 응용 프로그램을 위한 확장 가능한 계산 기반을 제공합니다. 사용자 의도와 즉각적인 시각적 피드백 사이의 격차를 줌으로써 이 시스템은 인터랙티브 월드 모델링 및 인간-AI 협업 환경에 대한 새로운 프론티어를 확립합니다.

5. 한계

PixVerse-R1은 상당한 모델링 이점을 제공하지만 시간적 정확성과 물리적 충실도에 관한 두 가지 주요 제약이 남아 있습니다:

• 시간적 오류 누적: 확장된 시퀀스에서 작은 예측 오류가 누적되어 시뮬레이션의 구조적 무결성을 손상시킬 수 있습니다.
• 물리 대 계산 트레이드오프: 실시간 생성을 성공적으로 달성하기 위해 생성 복잡도에 관한 특정 희생이 이루어졌습니다. 결과적으로, 비실시간 모델과 비교하여 일부 물리 법칙의 정확한 렌더링에서 어느 정도의 손실이 있을 수 있습니다.