2026 年 8 月，形界智能发布全域沉浸式生成基础模型 Rise，采用端到端架构将实时视频生成体感延迟压至 500 毫秒，推理成本降至 每秒 1 分钱。这是国内首家将体感延时控制在 500 毫秒的实时视频生成方案，也是首个将理解与生成统一建模的端到端系统。
2026 年年中，实时视频生成赛道骤然升温。Anthropic 被曝以 60 亿美元收购 Decart，Runway、World Labs、Odyssey 单轮融资数亿美金。但比金额更值得玩味的是：行业正在分裂成三条截然不同的技术路线。
Seedance、可灵、Vidu 为代表。将替代实拍与剪辑做到极致，不断增加清晰度与时长。但视频仍是提前做好的成品，观众永远坐在屏幕外面。
World Labs、Odyssey 为代表。可操控视角、改变环境，但需要键盘、鼠标、Prompt 驱动。把人从观众变成玩家，但进入门槛依然存在。
第三条路线：全域沉浸式生成（Immersive）
形界智能 Rise 系列为代表。核心逻辑是——交互的终极形态，不是人去适应模型，而是模型来适应人。用户通过摄像头，用最自然的动作、表情、姿态就能进入和影响视频世界。用户不再需要学习如何发出 AI 能理解的指令，世界开始主动理解用户。
注：三条路线没有绝对对错，分别对应生产工具、实时互动数字世界、更低门槛的世界入口。每条路线背后是一整套关于时间、成本和模型架构的精密算术。
形界智能 Rise 模型在三个维度上同时刷新了行业标准：延迟、成本、架构。传统两段式方案（理解模型 + 生成模型串行）的延迟被牢牢钉在 4 秒以上，而 Rise 将其压缩到接近人类感知阈值以下。
更关键的是，Rise 在 Pre-training 阶段同时学习视频理解、视频生成以及理解与生成的联合建模，让精准的用户行为理解与视频生成成为可能。Post-training 阶段仅用 300 小时赛车数据，就实现了逼真的互动效果。
团队背景：
CEO 王裕鑫中科大博士，五年二十多篇顶会论文，前元石科技 007 号员工，曾牵头组建国内较早 MoE 架构大模型预训练团队，被海外知名 AI 技术评论人评选为 2025 年中国 Top6 大模型团队。团队汇聚中科大院长优秀奖获得者、华为天才少年、字节 Top Seed、阿里星等顶尖人才。
注：延迟数据为体感延时，即从用户动作到画面响应的端到端周期。传统两段式方案延迟通常在 4 秒以上，Rise 通过端到端架构实现数量级压缩。
行业此前的实时视频生成，一般把理解动作和生成新画面拆成两个独立模型：摄像头采集画面，先传给理解模型，把动作翻译成指令，再喂给生成模型。一来一回，中间的翻译损耗、通信开销、串行等待，把延迟牢牢钉在 4 秒以上。
Rise 的解法：Native Interactive Representation Scaling
注：噪声块继承机制是端到端架构的关键创新，它让模型在连续时间窗口之间保持隐状态连贯，避免了逐帧独立推理带来的闪烁与断裂。
实时视频生成过去难以商业化的核心瓶颈，除了延迟，还有算力成本。传统两段式方案每秒推理成本约 7 毛钱，一场两小时的 AI 直播互动要烧掉五千到八千元。Rise 将这一数字直接打到 每秒 1 分钱，且供应商仍有利润空间。
1 分钱定价意味着什么？企业做一场两小时的 AI 直播互动，过去要花五千到八千元，现在只需要 72 元。而且随着架构迭代与芯片适配，成本还有继续下探的空间。当实时视频生成的成本低于传统绿幕直播，商业闭环的临界点就到了。
注：成本对比基于公开报道中的推理成本数据，传统方案为两段式架构的行业平均成本，Rise 为形界智能公布的定价。
实时视频生成的终局，不是把画质做到电影级，而是把交互门槛降到呼吸级。当延迟进入 500 毫秒、成本降到 1 分钱，人机交互的范式就从「操作工具」变成了「走进世界」。端到端架构正在重新定义「实时」的标准——而这一次，定义权从模型参数转移到了系统工程。
一个诚实的注脚：Rise 当前在画面精细程度、物理仿真、多人参与等方面与世界模型仍有差距。正如团队所言，当下技术还处在 GPT-3 的前夜。但实时交互的闭环第一次跑通，让数字内容从「被观看的对象」变成「可进入的空间」——这个跨越本身，比任何参数都重要。
形界智能 Rise 模型已开放场景体验，通过摄像头即可进入实时生成的交互世界。Genesis 模型已在 WAIC 2026 完成公开演示，Rise 已面向企业客户开放接入。
体验入口 · 即将开放 →