过去几个月，一批看起来颇为相似的 Demo 密集出现。用户不再只是输入一句 Prompt，等待模型生成一段完整视频。可以在角色说话时打断，可以点击、拖动屏幕里的物体，也可以打开摄像头，让 AI 看到自己的表情和动作。生成出画面不代表着结束，它还会根据用户的下一次输入继续变化。
但看得越多，反而越容易混乱。先是名字，交互模型、互动模型、交互视频模型、交互世界模型，各家叫法相似又不同。看起来和大众已经熟悉的「视频模型」有些关系，又和今年备受瞩目的「世界模型」存在某些路线交集。即使最终展示出的体验差不多，底层实现、模型输出和产品路线却可能完全不同。
某种程度上，混乱本身就是一种信号。当一个方向还没有统一的定义，通常意味着它刚刚从不同的路径上被同时发现。
Founder Park 最近持续关注了几支和交互模型有关的团队：Loopit、Reverie AI 和 SigmaZ AI。它们都把「实时交互」放在核心位置，有的直接生成音视频像素，有的将 Coding 与视觉生成结合起来。有的先做模型，有的选择先把应用推向用户。
这股变化也正在扩散到原本以视频生成为主的公司。Runway 在传统视频生成模型之外，陆续推出实时角色 Characters、可交互世界 GWM Worlds，以及直接生成交互界面的 Solaris；Vidu 则在面向传统视频生成的 Q 系列之外，将 S 系列单独定义为 Real-Time Generation Model。原本散落在数字人、视频、游戏和 UI 中的「实时交互」，正在逐渐成为一条被单独命名和训练的模型能力。
路线不同，但各家接近的是同一个问题。在聊天框之外，AI 能不能看见、听见并持续回应用户，让内容在用户参与之后继续发生？
就现阶段来看，交互模型还不是一条已经收敛的赛道，更像是几条路线在相近的时间发现了相似的机会。我们试着梳理了交互模型是什么、不是什么，不同团队之间有哪些共识与分歧，以及它真正需要解决的问题。
行业图景之外，我们也和 Reverie AI 创始人袁博地聊了聊。Reverie AI 做的是多模态交互模型，选择从 C 端娱乐切入，探索一种介于游戏和视频之间的新内容形态。我们想知道，身处其中的人究竟如何理解这个尚未定型的方向。
⬆️关注 Founder Park，最及时最干货的创业分享
我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。
如果你正在做 AI 相关的事，欢迎和我们聊聊。
01
连名字都还没有统一，
交互模型到底是什么、不是什么
先来梳理一下概念。
过去两年火热的 AI 视频公司，做的是视频生成模型。用户输入一段文字或一张图，模型花几十秒到几分钟，输出一段成片。Seedance、可灵、Runway 都属于这一类。它们的进化主线是更长、更清晰、更可控，效果越来越接近专业摄影和电影制作。视频生成完毕，这一次体验也就结束了。
与此同时，越来越多的领域开始讨论世界模型。具身智能、3D 生成、游戏等，都试图沿着不同路径通向世界模型。虽然技术路线不同，但大抵追求同一个方向：让模型模拟一个环境，并根据当前状态和动作输入，预测世界接下来会怎样变化。
从目前的形态来看，交互模型更像是介于两者之间。它追求的不只是「生成一段好看的视频」，更关键的是在用户每一次输入之后，实时生成接下来的画面。模型生成的每一段内容，都只是下一轮交互的起点。用户的一句话、一次点击或一个表情，会与此前发生的内容一起，决定接下来出现什么。
也正因此，一些团队会将交互模型视为通往世界模型的早期形态，两者之间很难画出一条泾渭分明的边界。Founder Park 关注的四家公司，也分别选择了不同的名字。
Loopit 说自己做的是「交互世界模型」。最新的 Zing-0.5 模型支持 Prompt 和 Motion 两类输入，用户可以通过文字和 WASD 等操作实时改变画面，但它仍是走向世界模型的早期阶段。在 Loopit 的定义里，真正的世界模型需要维持完整的世界状态、稳定的规则、长期记忆，以及多人共享的事实。
Reverie AI 更明确地把「交互模型」与视频生成模型、世界模型并列为三条路线。视频生成追求画质、美学和 Prompt Following。世界模型强调物理理解与环境模拟。交互模型现阶段主要进入娱乐场景，优化实时响应和多模态交互。三条路线未来可能汇合，也可能因为应用场景和训练数据不同，逐渐形成不同的模型特性。
SigmaZ AI 则很少讨论世界模型，它把自己在做的实时交互视频理解为「下一代 AI Interface」。今天大模型主要通过文字回答问题，SigmaZ 希望模型直接生成可点击、可提问、可以继续修改的视觉界面。对它来说，重点并非模拟一个完整世界，而在于提高人与 AI 交换信息的带宽。
Runway 最近一年的变化，也很能说明这个方向正在往哪里走。它最早从视频生成出发，后来陆续把实时交互扩展到不同场景：可以和用户持续对话的虚拟角色，可以被用户实时控制和改变的生成世界，以及能够随着点击、拖拽和输入不断变化的软件界面。
这些产品看起来差别很大，背后却有一个共同点：AI 生成的内容不再是一次性的结果，而是一个会持续存在、继续变化的对象。用户每一次新的操作，都会成为接下来内容生成的一部分。对 Runway 来说，角色、世界和界面正在逐渐被放进同一套思路里理解——模型需要记住此前发生了什么，同时根据用户新的行为，实时决定接下来发生什么。
当一个赛道连名字都没有统一时，竞争往往还没有真正开始。大家争夺的首先是定义问题的权利。
不同叫法背后，行业开始思考的其实是，在主流的聊天框之外，模型能否以更接近人与人交流的方式，看见、听见并持续回应用户？
交互模型这个方向之所以会在今年密集出现，有两条已经取得明显进展的技术线，为它提供了基础。
一条是 Diffusion 在视频领域的快速进步。过去两年，视频模型的生成质量、速度和推理效率明显提升。可灵、Seedance 等已经证明，AI 可以生成质量足够高的视频。当生成速度越来越快，一些团队开始追问，视频除了生成出来看一遍，能不能一边看、一边改？另一条是 Coding 能力的突破，从去年底到今年，一句话生成小游戏、网页和可交互页面逐渐可用。
最近几个月，第一条路线又往前跨了一步。衡量标准开始从「多久生成一段视频」，转向「多久出现第一帧，以及生成开始以后能不能持续接受新的输入」。「实时」因此开始有了不同含义。过去它更多意味着推理更快，现在越来越多模型要求在生成已经开始之后继续接收语音、文字、点击、参考图或动作，并据此改变随后出现的内容。速度只是前提，持续的输入—生成循环才构成交互。
需求侧的条件也在成熟。
上一代短视频已经让大规模人群习惯了用视觉内容消磨时间。Character.AI、Chai、PolyBuzz 等 AI 娱乐产品又证明，用户愿意和 AI 角色建立长期关系。但前者以被动观看为主，后者的体验主要停留在文字和语音，能够传递的信息和视觉刺激仍然有限。
交互模型试图把两者接起来，既保留视频的直观和刺激，也让内容根据每个人的参与发生变化。用户不再只是观看模型生成了什么，每一次输入，也开始成为内容继续生成的一部分。
02
都在做实时交互，
但技术和产品路线并不相同
如果只看 Demo，这几家公司很容易被归入同一赛道。追求的都是画面实时生成，用户可以通过语言、键盘或触屏改变内容。但继续追问「模型输出什么、产品卖什么、数据从哪里来」的话，它们的分化可能比共性更明显。
首先是技术路线。
Reverie AI 最终输出的都是原生音视频。它们的优势是画面原生、风格开放。难点也直接落在，速度、成本、画质、长时一致性和多模态理解必须同时成立。
SigmaZ AI 和 Loopit 都强调 Coding 的驱动，但实现方式有所不同。
Loopit 的思路是「可控渲染」。先用 Coding 模型计算世界的规则、状态和长期记忆，再由实时视频模型将其渲染为可见画面。最终输出的仍然是像素，但画面背后多了一套可以持续计算的世界状态。
SigmaZ 绕开了像素生成。它基于扩散语言模型（DLM）直接生成可执行的视觉代码，再交给浏览器完成渲染。公式、图表、按钮和 3D 物体因此可以被继续点击、提问和修改，也更适合知识解释和生产力场景。相应的技术难点转向了复杂视觉代码的正确率、渲染稳定性，以及生成结果能否兼顾准确与美观。
Runway 最新发布的 Solaris，恰好提供了另一种对照。它同样希望生成一个可以点击、拖动和继续修改的实时界面，却选择直接在像素空间完成交互。Solaris 从一个初始视觉状态出发，用户的点击、拖拽和输入会成为后续生成的条件，world model 持续逐帧生成界面的下一状态，不需要先把画面转换成 HTML、CSS 或其他可执行的中间表示。
这样看，几条路线更深的区别落在了「状态到底存在哪里」。SigmaZ 把状态显式写进可执行代码，再交给浏览器确定性渲染；Loopit 用 Coding 模型维护规则、世界状态和长期记忆，再由视频模型负责把状态变成画面；Solaris 则试图让生成模型自己持续维护视觉状态。
三条路线最终都可以得到一个会随着用户行为继续变化的视觉界面，但它们对准确性、开放性和长期一致性的取舍完全不同。
其次是应用形态和商业化路线。
SigmaZ 最初从教育市场切入。产品上线后，团队发现，超过一半的用户会用来解释图书、小说、商品等更广泛的内容，因此将方向扩展至通用实时交互视频。此后，SigmaZ 将重心放在 DLM、视觉代码和评测训练体系上，直到最近才准备推出 C 端产品 Tap8，希望由此建立数据飞轮，逐步向 B 端延伸。
SigmaZ 产品 Tap8 现场演示
Reverie AI 和 Loopit 则更接近「产品先行」。Reverie AI 从 AI 陪伴和角色扮演切入，想做「AI 版 TikTok」。Loopit 先上线了互动内容社区，再开始训练自己的模型。平台已经积累近 1500 万个作品，北美有数十万青少年形成稳定使用习惯，活跃当日平均使用超过 1 小时。团队先通过产品观察用户创造、修改、发布和二创什么，再据此决定 Zing 应该从哪些能力切入。
Loopit 产品页面
这形成了另一处分叉，究竟应该先做模型，还是先做应用。
Loopit 和 Reverie 显然更相信，只有先做出 C 端产品，获得真实的用户交互数据，模型迭代才有足够的燃料。
先做模型，可以把能力开放给外部开发者，覆盖更多场景，但开发者是否愿意为一项尚未成熟的能力付费，仍然是个问题。先做产品，可以更快获得真实用户的行为反馈，也能由此判断模型应该优化什么。但在模型能力还不够好的阶段，产品本身很难留住用户。
Runway 和 Vidu 又提供了一种来自成熟模型公司的路线：先把实时交互能力做成基础设施，让外部 Agent 和应用来定义场景。Runway Characters 已经以 API 的方式提供实时角色层，开发者可以决定角色的声音、人格、知识和 Actions，也可以接入自己的 Agent；Vidu S2 同样同时提供完整闭环版本和可嵌入现有语音系统的 Component 版本。
这意味着，交互模型未来的竞争也未必只发生在最终的 C 端应用之间。底层模型公司可以把「一个实时生成的人」「一个可以持续变化的世界」，甚至「一个实时生成的界面」作为新的基础能力交给开发者，上层应用再决定用户究竟拿它聊天、购物、学习、游戏，还是完成工作。
随着赛道发展，两条路线也在互相靠近。模型公司开始探索自有应用，应用公司最终也希望掌握底层模型。对交互模型来说，应用除了验证需求，还能产生互联网上原本不存在的交互数据。
先做模型还是先做应用，几家公司各有说法。但无论先走哪一步，都绕不开同一个问题，数据。
03
交互数据，
这个赛道最稀缺的资源
视频生成、具身智能都在谈数据，但交互模型面对的是一种不同的数据缺口。
互联网上有海量文字、图片和视频，却几乎没有原生的开放式交互数据。一段普通视频只能告诉模型，上一帧之后发生了什么。交互数据还需要记录，在怎样的上下文里，用户说了什么、点击了哪个物体或露出什么表情，这个行为又应该怎样改变接下来的角色、镜头和剧情。
换句话说，交互模型需要的训练样本，应该是一段由「上下文—用户行为—模型响应」组成的连续轨迹。
游戏数据在结构上看起来最为接近，玩家每一次移动、跳跃和攻击，都会带来相应的画面变化。但单机游戏通常不会记录完整的操作轨迹，网游过去也未必按模型训练所需的方式留存。数据往往还分散在不同游戏和公司内部，采集口径并不统一，很难直接形成覆盖大量场景的连续交互数据。
这类游戏数据或许能让模型学会在特定游戏中响应 WASD，但要理解用户在开放画面中的自由交互，例如随手触碰某个物体、改变剧情走向，甚至通过表情传递情绪，还远远不够。
为了填补这一缺口，几家公司正在从不同方向寻找数据。
SigmaZ 的视觉代码路线，让交互行为更容易被记录。用户拖动了哪个组件、放大了什么、在哪一刻提问或关闭，都可以成为细粒度的反馈信号，再进入其评测和递归自进化循环。
Reverie 和 Loopit 更强调来自真实产品的用户数据。Reverie 目前积累约 10 万小时数据。其第一代产品在数万 DAU 的规模下，每天可以产生约 100 万组交互 Data Pair。
袁博地估算，如果未来要用这些数据进行 Pre-training，所需规模可能达到 1 亿小时。按照他的判断，交互模型很难从一开始就沿用传统基础模型的训练顺序。更现实的路径是，先用少量数据完成 Post-training，让模型进入产品。再从真实交互中获得更多数据，逐步走向 Mid-training 和 Pre-training。
Loopit 已经有近 1500 万个作品，但团队并不认为这些内容都能直接拿来训练世界模型。现阶段，它们首先帮助团队判断用户究竟想创造什么、修改什么，以及 Zing 应该优先补齐哪些能力。等模型真正进入产品后，提示词、操作、生成的世界和用户反馈连成完整轨迹，数据飞轮的下一阶段才会开始。
这也解释了为什么一些团队反复强调应用与模型的闭环。对交互模型来说，C 端产品同时承担了三种角色：验证需求的产品、持续创造新内容的场景，以及训练模型的数据入口。
模型优先和应用优先最终很有可能殊途同归。没有应用，模型很难获得真实交互。没有模型，应用又无法创造足够新鲜的体验。
再往前一步，每个用户还会在互动中留下连续的个人轨迹。例如，他喜欢怎样的角色，会在什么时候打断，哪种反馈让他继续停留。短期内，这些信息可以改变当下生成的内容。长期来看，它们会成为理解用户、优化模型和实现个性化生成的训练信号。
推荐系统过去解决的是，「把不同的内容分发给不同的人」。互动模型想做到的是，内容在抵达每个人之后，还能被这个人继续训练和改写。
04
介于游戏和视频之间的新形态，
但市场认知还没有建立
交互模型的技术门槛在哪里，怎样让市场认识一个尚未定型的新内容品类。这些问题，身处其中的创业者感受最为直接。以下是 Founder Park 与 Reverie AI 创始人袁博地的对话内容，经编辑整理。
Founder Park：你会怎样定义交互视频？它更接近视频、游戏，还是 AI 陪伴？
袁博地：它是介于游戏和视频之间的一种新内容形态。硬要划分，我觉得 70% 是游戏，30% 是视频。
内容消费大致可以分成两类。刷短视频是一种 Passive Consumption，用户不需要主动思考。玩游戏时，消费体验来自玩家的主动参与。交互视频的体验核心也是主动参与，我让角色唱歌，角色才会唱。我不作出行为，内容就不会以相同的方式发生。
所以它的用户画像更接近游戏玩家。用户不是来观看一段视频的，是作为玩家进入一个场景。但它又没有传统游戏那么复杂的机制，使用门槛并不高。用户进来以后，通常很快就能理解怎样互动。
Founder Park：交互模型可以进入很多场景，为什么你们首先选择娱乐？
袁博地：观察下来，所有真正落地的 AI 系统，都会面对两个问题：Data Acquisition Cost，数据获取成本；以及 System Failure Cost，系统失效后的代价。
AI 医疗、农业或者机器人，属于数据获取成本比较高的场景。
无人驾驶的数据获取成本比较低，车在路上行驶就能收集数据。但一旦 AI 失效，代价是难以估量的。机器人两头都难，真实数据难以获取，系统失效又可能带来安全风险。
C 端娱乐正好相反，两个成本都极低。用户天然会产生大量交互数据，获取很容易。即使模型偶尔生成失败，也不会造成严重后果。
所以我们的判断是，娱乐最适合不够成熟的 AI 技术率先落地。
Founder Park：2023 年前后已经出现过一批做 AI 游戏和强交互产品的公司，很多没有继续发展。这是否说明交互需求没有想象中强？
袁博地：当时很多 AI-Native 游戏没有跑出让用户持续游玩的体验。用户很快就会学会其中的 Pattern，然后失去兴趣。到今天，AI-Native 游戏还没有证明自己能做出比传统游戏更好玩的产品。
但游戏没有跑出来，不代表 AI 娱乐没有需求。Character.AI、Chai、PolyBuzz 等陪伴和角色扮演产品，已经有大量用户使用。它们不完全是游戏，但可以归入娱乐，也提供了 AI-Native 体验，证明了需求存在。
这些产品的问题之一，它们都以文字为主要模态。愿意每天阅读大量文字、和很多 Bot 聊天的人终究有限，文字带来的刺激和付费转化也偏低。所以我们想做视觉化、多模态产品，有机会解锁更多用户和使用场景。
Founder Park：大厂不做这个方向，是因为看不上，还是做不了？
袁博地：大厂今天整体还是工具属性导向。不管是可灵、Seedance 还是 Runway，大家在卖 API 或者创作者工具上赚到了钱，这是他们的战略核心。交互模型短期内不赚钱，机会还没有被放大，大厂看不上。我也看到大厂内部有一两个人的小团队在探索，但不是核心。
我们做交互模型，不是卖工具，是卖体验。用户在和 AI 交互的过程中获得满足，更多是消费者心态，不是创作者。可灵、Seedance 用户的核心体验是创作。我们不会追求 4K 这样的高清画质，追求的是实时响应和有意思的内容，战略与打法都不一样。
Founder Park：你们的第一批精准用户是谁？
袁博地：策略很简单，就是瞄准现有陪伴类、角色扮演类产品的用户。这些人已经表现出很强的需求，但没有被那些纯文字产品完全满足，我们的多模态体验对这些产品来说会是降维打击。这波用户大概有上亿人的规模，所以我们先集中抓这部分人。
我们接触过一些独立游戏开发者，也去过 GDC。真正的游戏人往往更有情怀和信仰，对 AI 的接受意愿未必很高。我们的技术和产品还不成熟时，他们会觉得，这种生成内容怎么能和自己精心设计的游戏比较？这也很正常。
Founder Park：那如果 Character.AI 这些平台也往全模态的方向做呢？
袁博地：想法肯定都会有，但有几个壁垒。
一是平台调性。从文字产品转视觉产品，有点像小说平台想做视频平台。内容供给和消费形式都不一样，体验也不同，天然存在 gap。
二是技术上也不容易。交互模型需要解决的问题和视频生成模型差异很大。不光文字类公司，就算纯做视频的公司，要在实时、多模态交互上做到好用也不容易。
这个赛道今天更大的挑战，是整个品类的市场认知还没有建立起来。你说「Companion Bot」，大家想到的是 Character.AI。叫「Interactive Video」，又跟实际体验不一样。很多用户来了发现「不是我想象的那个东西」就走了，还没有没有一两个词能够准确告诉公众，这个产品究竟是什么、为什么要来。
05
文字、语音、触屏和摄像头，
需要被同一个交互模型理解
Founder Park：对交互模型来说，在所有可以捕捉的模态信号里，哪些优先级更高？
袁博地：用户跟 AI 交互时不会只用一种模态。他可能先打字，再说话，过一会儿又在屏幕上拖拉滑拽，或者通过摄像头传递一些信息。这些模态是相辅相成的，1+1 大于 2。只允许拖拉滑拽，交互会很浅，缺少深度信息。始终依赖文字，交互又会很干，不够自然
Founder Park：触屏交互有限制吗？像传统产品通常有固定的手势或特效库。
袁博地：完全取决于用户点什么位置、做什么操作，然后我们实时理解意图。技术上可以拆成两大模块。
第一是理解用户意图。用户在视频的哪个时间、哪一帧、哪个位置做了点击、拖拉或滑拽，这些都包含大量需要理解的信息。比如用户点了角色的头，可能指的是角色的头部，也可能指的是角色整体，需要结合视频上下文来判断。
第二是内容生成。理解意图之后，模型要生成相应的新像素内容。表现层也有很多歧义。比如一个 AI 角色抱着盒子，用户用两根手指把盒子打开。生成的画面可以表现成 AI 角色自己打开盒子，也可以是用户从第一人称视角伸出双手打开盒子。我们只能一边做、一边根据用户反馈摸索和迭代。
两部分都很难，因为没有太多现成技术或数据可以直接使用。AI 时代以前，人不会与视频内容进行这种触屏交互。所以我们某种程度上是在原创这种体验，也要解决鸡和蛋的问题。
今天很难用一套纯规则提前穷举这些情况。如果先定义一个固定手势库，产品会迅速退化成传统特效工具。我们必须让模型在开放上下文里学习同一个动作在不同情境中的含义，再决定怎样表现出来。
Founder Park：摄像头在这些模态里扮演什么角色？
袁博地：摄像头有个特别的定位，它是一种被动输入。语音、文字、触屏都是用户主动表达的，摄像头捕捉的往往是用户无意间的行为。比如聊着聊着用户突然挠了下头，AI 可以注意到。或者用户跟 AI 对话时跑去跟别人说了句话，AI 主动捕捉到说「你怎么不理我了」。
用户是高兴还是生气地问一句话，应该由模型统一理解，不需要人为定义各种规则。这也是未来真正要 pre-train 的核心，就是把所有交互形式训练到一起。
06
交互模型与世界模型可能汇合，
也可能越走越远
Founder Park：你心目中，理想的全模态交互产品应该具备什么能力？
袁博地：今天用户已经有比较强的 engagement，会在产品里玩几十分钟，这是一个很强的信号，说明用户愿意使用全模态交互。
下一步，我们要增强对真实世界的感知能力。今天模型可以通过摄像头识别情绪和表情，但我们希望它能感知更多，比如用户正在开会、心情不好、在喝水。模型都应该「全知全能」地理解这些状态。
更长期的目标仍然是「真实感」。我们希望交互能达到一种程度，你不会觉得是在跟 AI 互动，就像是在跟一个人面对面交流。
两个人打电话和面对面交流，感觉是完全不一样的。面对面能传递更丰富的信息，带来更好的体验。所以模型需要各种模态，不能只有语音文字，还需要 body language、eye contact。AI 要能看到你、听到你、感受到你的触碰，并且实时响应。
「真实感」不要求角色一定是真人，二次元、3D 或写实风格都可以。具体风格不重要，交互本身是否真实才重要。
Founder Park：交互模型继续发展，会不会解锁娱乐之外更大的场景？交互模型和世界模型最终会逐渐汇合吗？
袁博地：整个 Diffusion 领域目前可以分成三条路线。视频生成追求画质和 Prompt Following。世界模型更多服务机器人仿真和物理训练，强调物理理解与环境模拟。交互模型目前主要落在娱乐，追求实时和多模态交互。
短期来看，大家确实朝着不同方向演进。长期有没有可能殊途同归？有这个可能。它们最终都在追求对世界的理解和仿真。今天大家经常要牺牲 A 去完成 B，比如我们会牺牲一部分画面质量，换取实时和多模态。随着模型能力增强，各自的短板都可能逐渐补齐。
但不同场景使用的训练数据又不一样。我们的数据主要来自娱乐场景，世界模型可能使用机器人和仿真数据，这会让模型形成不同特性。所以既有殊途同归的可能，也可能越走越远。
目前底层架构相对接近，但技术路线尚未收敛，大家沿着三条路分别前进。未来到底会不会汇合，现在还很难判断。
Microduck 爆火之后，我们和它背后的制造团队聊了聊 AI 时代的硬件创业
巨头都想做的 Personal AI，Town 为什么成了最受关注的那个？
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢