Odyssey-2

视频一直是一种被动媒介——录制、播放、结束。

但如果我们能打破这种单向关系？如果一段视频不仅能被观看，还能被实时影响、对话甚至共同创造？

Odyssey-2 正是朝着这个方向迈出的关键一步。它不是一个传统的视频生成模型，而是一个即时、因果、自回归的互动视频系统，让你像与语言模型对话一样，用文字或语音去塑造正在发生的画面。

输入一句话，视频立刻响应。改变想法，画面随之演变。没有预设结局，只有持续演进的视觉流。

这，就是互动视频的开始。

什么是互动视频？

传统AI视频模型是“离线”的：你输入提示，等待几十秒甚至几分钟，得到一段固定长度的剪辑。过程不可中断，结果无法修改。

Odyssey-2 不同。它构建的是一个连续的、行动感知的视频流：

• 你输入：“一只狐狸在雪地里奔跑。”
• 视频开始生成：雪地上出现狐狸，脚步扬起雪花。
• 你追加：“它突然听到远处有声音，停下回头。”
• 模型立即调整：狐狸耳朵竖起，身体转向，眼神警觉。
• 你再问：“树后藏着什么？”
• 画面继续演化：树枝晃动，一只小鹿缓缓走出……

整个过程无需重新生成，视频像生命体一样，根据你的每一条指令实时演化。

核心技术：因果自回归视频生成

要实现真正的互动，模型必须放弃对“未来”的预知。

大多数视频模型依赖全局上下文——知道开头和结尾，才能平滑过渡中间帧。但这意味着它们无法应对突发的用户输入。

Odyssey-2 采用因果自回归架构：

• 每一帧只基于过去的所有帧 + 用户最新输入生成。
• 它不知道接下来会发生什么，只能像人一样“边看边想”。
• 这种机制使其成为隐式的物理世界模拟器：它必须理解运动、光照、碰撞、流体等动态规律，才能合理预测下一刻。

例如，在生成海浪时，模型会从波纹的曲率和速度场推断出波峰如何推进、泡沫如何漂移——这一切都源于对数十年真实视频数据的学习。

极致速度：50毫秒/帧，20 FPS 实时流

互动感的核心是低延迟。

传统双向视频模型生成5秒素材需1–2分钟，而 Odyssey-2 能以每50毫秒生成一帧的速度持续输出，达到接近20 FPS的流畅度。

这意味着：

• 输入后几乎零等待即可看到画面变化。
• 多轮交互无缝衔接，形成连贯体验。
• 可部署于屏幕、VR设备或移动终端，实现实时交互。

这一性能得益于对模型架构、数据管道和推理栈的全链路优化，在保持高保真度的同时，实现了前所未有的响应速度。

不只是娱乐：迈向通用世界模拟器

Odyssey-2 的意义远超“会动的视频”。

通过学习“下一帧预测”，它正在内化物理世界的运行规则。这种能力将催生全新的应用场景：

这些体验不再是预设脚本的播放，而是由用户意图驱动的新兴媒体（Emergent Media）。

未来方向

Odyssey-2 仍处于早期阶段，但它揭示了一个清晰的方向：

• 结合 Odyssey-1 的长期记忆与导航能力，实现更持久的交互叙事。
• 支持音频输入与输出，实现语音直接对话。
• 推出 API 接口，供开发者构建自己的互动应用。