你对屏幕里的虚拟猫说“转过身”，它不是等几秒后重做一段视频，而是一边听，一边继续生成画面，约半秒便开始动作。Vivix 最新发布的实时交互多模态模型 A1，想解决的正是这个问题：把视频生成从“做好一段再播放”，变成像视频通话一样持续回应。
这项发布最醒目的数字，是单卡吞吐量超过每秒 10000 个 video token。Video token 是模型压缩画面后处理的内部表示，不是一帧完整视频。因此，“破万帧元”不能理解成每秒生成一万帧，也无法在缺少压缩方式、分辨率和帧率等条件时直接换算成画面速度。
本文数据均来自量子位对 Vivix 官网技术博客的转述。目前没有论文、代码、完整评测或第三方复测，以下性能结论都应视为官方自报结果。
它怎样做到边听边生成？
A1 采用原生流式架构。所谓流式生成，就是模型边接收输入，边连续输出结果，不等整段内容准备完毕。它把图片、视频、声音、交互历史和已生成内容共同写入持续状态，让角色在不断行动时尽量保持身份、场景和物体关系一致。
这很像一边铺铁轨一边开车：模型不知道几秒后用户会说什么，却要保证眼前的动作接得上，长期生成也不逐渐“变脸”或错位。A1 用局部连续性约束相邻动作，再用全局序列信息维持较长时间的角色和场景一致性。
它也不只把语音转成文字再处理。A1 直接建模语言含义、语气等声学特征、非语言声音、环境事件、手势和动态画面。上层的 Director Agent——负责较慢的推理、工具调用和长期行为安排——则异步提供宏观控制。快反应与慢规划由此可以同时推进。
两步生成，再压低系统等待
A1 拥有近 30B 激活参数，即一次运行中实际参与计算的参数接近300亿。为了减少视频扩散的计算量，Vivix 使用 MJD（Multidimensional Joint Distillation，多维联合蒸馏），把原本作为质量基线的 8-Step 生成过程压缩成 2-Step。蒸馏可以理解为让较省计算的“学生模型”学习较完整的“教师模型”；这里不仅学习单帧画质，也同时照顾短时细节、长期连贯性和多模态分布。
工程侧还采用原生 NVFP4 训练与推理策略。NVFP4 是一种低精度数值格式，可以减少显存和计算开销，但也可能让误差在连续画面中累积。Vivix 称其在训练和蒸馏阶段便让模型适应这种精度，并配合自研的通信—计算调度与 mega-kernel——把多项计算合并执行的“大内核”——减少数据搬运和等待。
按官方测试，A1 单卡吞吐超过 10000 video tokens/s。流式调度器响应新输入最短约 300 毫秒；从用户输入到画面首次出现可见反应，平均约 0.6 秒。两者衡量的阶段不同：前者是调度响应的最短值，后者才是可见反应的平均等待时间，不能混为一个端到端指标。
为什么值得关注？
实时互动视频能否工程化，主要看三件事：反应够不够快、单位时间能处理多少内容，以及画面能否长期连贯。A1 的意义不只在某个模型指标，而在于它试图把多模态感知、持续生成、快速响应和推理基础设施放进同一条链路。
如果官方数据能够在明确硬件和画质条件下复现，近 30B 激活参数模型的单卡高吞吐，将意味着实时视频角色可能不必依赖昂贵的多卡部署。Vivix 同时推出了可交互叙事模型 W1，并已开放 A1 内测以及官网、API 开放平台的体验申请。
局限与未知
- 官方没有披露单卡测试所用的 GPU 型号、分辨率、帧率、上下文长度、并发量和完整量化设置，因此“每秒 10000 video token”暂时无法横向比较。
- “消费级 GPU 实时推理”“近似画质下效率提升近两个数量级”缺少明确对照组和画质评价标准，不能视为已经验证的结论。
- “全球首个统一多模态参考、实时交互与流式生成的基础模型”是 Vivix 的定位，现有单一信源不足以确认其首创范围。