Dawa Technology's Scenes AI real-time world model runs a 34B-parameter model on a single RTX GPU

量子位 | 公众号QbitAI

一个从国内虚拟片场里成长出来的实时世界模型，在NVIDIA的舞台上拿了奖。

10月15日，2026 NVIDIA创业企业展示半程展示在苏州金鸡湖举行，来自重庆的达瓦科技凭借实时世界模型产品 Scenes AI 拿下 「半程展示卓越企业奖」 。

本届赛事在全国办了11场分站活动，580多家科创企业报名，最终30家NVIDIA初创加速计划（Inception）会员进入半程展示。

和多数视频模型比拼“下一帧像不像”不同，Scenes AI走的是另一条路：

不预测下一帧画面，而是 维护一个持续运行的世界状态 ——场景、人物、相机、灯光、物体和物理，各自是一组可以单独读写的变量。

世界里每发生一点变化，模型要做的不是把整段画面重画一遍，而是只更新发生变化的那部分状态，再把结果写回世界，让下一刻在此基础上继续演化。

于是它要回答的问题也变了：不是“下一帧长什么样”，而是 如果改变世界里的一个变量，世界接下来会发生什么？

更关键的是，它的输入不是游戏引擎或代理画面，而是 一台普通摄像头拍到的真实空间 。

用达瓦自己的话说： A video is an output. A world is a process. 视频是一个结果，世界是一个过程。

先来看最新一版Demo。

左上角是摄像头此刻拍到的真实房间：白墙、绿幕、一把铁艺椅子、墙角一只玩偶熊，一个人站在中间扶帽檐。

大画面是同一时刻的模型输出：房间变成了一片手绘风格的夏日草原，人变成了戴黄色棒球帽的动画少女，动作同步。

细看会发现，变的只是外观。椅子还在少女身后，小熊还坐在原来的“墙角”，右侧深色柜子的位置和透视都没动，草地上甚至还隐约留着两面墙交汇的折线。

这一帧里，唯一被改写的变量，就是「画风」。

人物动作、家具位置、遮挡关系和空间透视，全部被当作保持条件锁住。模型得先认出人、椅子、玩偶和柜子各是什么，再在整屋换风格的同时把它们钉在原位，而且每一帧都要成立。

同一场景里，一个小朋友在墙上写下“DW未来”，随后抱起一只玩偶跑出了画面；男生起身，房间里长出了树，地上燃起一堆篝火；接着他又抬手控制天气，屋里先是飘雪，又下起了雨。

一连串事件下来，人来了又走，场景里长出了新东西，天气变了好几轮，墙上那四个字始终还在，位置和笔画都没变。

这考的是世界状态有没有被正确写回、并且持续保持。

对逐帧生成的模型来说，画面里的变化越多，之前留下的细节越容易被“冲掉”，每一次重画都可能把它悄悄改掉；而在Scenes AI里，“墙上有字”在写下的那一刻就成了世界状态的一部分。之后无论发生什么，只要没有事件去改它，它就一直留在那里。

9月首发演示里也是同一套逻辑：雪怪破土离开后，地上的坑一直留在原地；铁艺椅子连续两次被改写成狼首铁王座，主播还能坐回原位；窗帘下摆起火，紧挨着的玩偶和花盆没有被波及。

整套生成跑在本地一张RTX显卡上，画面右上角实时显示帧率。

Demo背后，是达瓦对世界模型的一个基本判断：

视频生成已经足够强大，但世界还没有开始运行。

主流视频生成的交付物是“一段结果”：给一个提示词，生成一段好看的视频，然后结束。

即便做成逐帧连续合成，关注的仍是“下一帧看起来像什么”，身份、几何、光照和物理上的误差，会随着时间一点点累积。

达瓦给世界模型下的定义不一样： 改变一个状态变量之后，世界为何变化、又将如何演化。

举个最简单的例子，输入一句“把灯光变成夕阳”：

达瓦把这套思路浓缩成一句话：修改一个变量，保留住整个世界。

落到计算上，就是从“重画下一帧”转向 “更新状态增量 ΔS” ——只更新发生变化的局部，其余世界状态保持稳定、可查询、可预测。

按这个定义，一个持续运行的世界被拆成了五个部分：

在达瓦看来，从生成一段视频走到运行一个可交互的世界，有五道关必须同时过：

跨帧记忆、局部可控、物理与因果、实时计算效率，以及能解释“世界为何这样变化”的数据。

用他们的话说， 难点不是造一个更大的模型，而是状态、控制、物理与算力必须同时成立。

后面要讲的精准控制和实时渲染，正是这条路线在“控制”和“算力”两道关上交出的答卷。

把这条路线落成工程系统，达瓦的做法可以概括为一句话： 控制层做重，生成层做轻。

Scenes AI没有把所有问题都交给一个大模型逐帧重画，而是在“创作意图”和“画面生成”之间，加了一层以世界状态为核心的控制系统，达瓦称之为 视频生成的控制层 。

一条典型的运行链路是：

世界状态 → 行动或接触事件 → 状态更新 → 局部生成与合成 → 结果写回。

还是拿前面那段“DW未来”的Demo来看：

这里有个关键区分： 哪些变化是“瞬态”的，哪些是“持久”的 。

前者交给渲染层处理完即可，后者必须进入世界状态。Demo里“坑还在”“字还在”，都是这一机制的外在表现。

放到行业里看，“状态维护与视觉渲染分开”正逐渐成为实时世界模型的共识，分歧在于 状态从哪里来 。

一种做法由上游引擎或程序显式写出规则和状态，模型以参考画面为接口做渲染，适合规则明确的游戏与原型；

Scenes AI面向的是真实拍摄和直播空间，世界状态要由模型从摄像头画面里解析出来，再持续维护、推演并写回。

精准控制落在控制层，核心模块是 Latent Stage 。

一是变量解耦。

Latent Stage在潜空间里把场景、人物、相机、光照、服装、道具和物理拆成一个个独立的“舞台”，可以单独演化，也可以联合约束。

每次编辑都有明确的“改动集”和“保持集”：改光照时，场景、人物和机位被锁定；换服装时，人物身份和身体动作继续约束生成。

截图里“画风全换、家具不动”，就是改动集和保持集分得足够干净的结果。

二是非线性视频矩阵。

达瓦提出的非线性视角矩阵融合方法，把影像从“线性时间”变成“可编辑矩阵”：角色、环境、相机、光照、物体和运动被拆成可以重新组合的视觉要素，方便控制层理解镜头运动、融合真实与生成内容。

相关演示论文《NVD： Non-Linear View Matrix Fusion for 2D Video Using Multimodal Foundation Models》已被ACM UbiComp / ISWC 2026接收，并于10月13日在上海国际会议中心现场展示。该研究由达瓦AIGC研究院联合香港理工大学、伊利诺伊大学厄巴纳-香槟分校、纽卡斯尔大学共同完成。

三是世界记忆。

World Memory持久化缓存历史状态片段，为后续生成提供可查询、可更新的上下文。

镜头离开再回来时，模型读取的是这块区域的状态记录，而不是重新想象一面墙。

达瓦把长时序记忆看作当前最关键的挑战，即身份、空间、物理与故事状态都必须跨时间保持一致。

如果没有因果记忆，堆再多GPU也解决不了问题。

四是物理约束。

Neural Physics覆盖刚体、布料、流体和粒子，围绕碰撞与重力组织生成条件，决定火该烧到哪里为止、布料该怎么被推开；Neural Renderer再把几何、材质和光照转成画面。

物理状态由此成为生成、训练与评估的共同参照，而不是把视频本身当作答案。

在连续编辑测试中，Scenes AI的 目标编辑成功率为98.2% ， 人物身份保持率为93.3% 。

渲染层由实时生成模型 LiveStage 承担。它要解决的问题很具体：

在一张消费级显卡的算力和显存预算里，让画面持续、低延迟地跟上真人。

自回归负责沿时间持续演化，稀疏计算限定每一步的更新范围，这意味着，模型预测的是状态增量，而不是一整幅新画面。

基于对300多个真实商业拍摄项目数据的分析，达瓦发现，典型场景中每帧真正变化的区域只占画面的 10%—20% 。

于是，墙面、地板等稳定区域通过潜空间缓存（Latent Cache）直接复用，算力集中给人物、面部、手部、布料、烟雾、光影和交互区域。

渲染层接收控制层下发的一组条件，包括事件类型、位置、速度、强度、对象身份、材质和局部历史，并只对变化区域做少步采样，再把局部结果合成回持久的世界画面。

“因果化”意味着每一步只依赖已经发生的历史，适合流式输出；

“微扩散”意味着每次只处理局部小区域，而不是整幅画面。

模型总参数 34B，每一步只激活约 4B，激活比约 11.8%。

空间上的局部更新减少“要算多少”，模型内部的稀疏激活控制“每次用多少参数算”，以上共同构成了“ 大模型的容量，实时的计算路径”这一特点。

三者叠加的结果是：相较传统视频扩散方案， GPU消耗降低40%—60%，推理速度提升3—5倍 。

当画面需要整体切换，如截图里整屋变成草原，变化范围远超20%，系统会按变化范围动态分配计算，局部编辑和全场景转换共用同一条管线。

最终，在单张NVIDIA GeForce RTX消费级显卡上，Scenes AI实现了720P、25帧的实时输出。

达瓦与NVIDIA的技术合作始于 2018 年，那一年达瓦购入了第一套NVIDIA DGX-1。

今天，Scenes AI用CUDA做训练与推理加速，用TensorRT做推理优化，用NVENC支撑实时视频编码输出。

稀疏更新减少无效计算，Latent Cache利于显存复用，分层架构也天然适配分层部署，这套机制本身就是围绕GPU的并行计算与计算复用设计的。

路线想清楚了，真正难的是把它训出来。达瓦的积累可以拆成三层。

要学“世界怎么变”，光有视频不够。

互联网视频大多是剪辑后的成品，机位怎么走、灯怎么打、道具什么时候被拿起，这些过程信息几乎都被剪掉了，像素本身解释不了世界为何这样变化。

达瓦的说法是： 不是Video Dataset，是State Dataset。

达瓦在重庆永川运营一座8.4万平方米的全流程数字化科技片场。

过去5年，团队从300多个真实商业项目中持续采集、标注和梳理数据，沉淀了约 180TB结构化世界状态数据 ，覆盖相机轨迹、动作轨迹、对象状态、光照状态、物理状态与叙事状态六类核心维度。

单场戏会做300多个维度的结构化标注，让镜头、光学、空间、表演和动作对齐到同一条时间轴上。

片场还天然集中了实时生成最难处理的长尾样本：宽袖和裙摆随动作形变，手与道具反复接触，多角色互相遮挡，摄影机在表演中连续运动，灯光变化同时作用于人物和环境。

真实数据之外，达瓦用NVIDIA Omniverse和PhysX搭建仿真场景，批量生成带精确物理状态的标注数据；用NVIDIA Cosmos在H200上生成冰淇淋融化、树木生长、积雪消融等“过程型”数据。

三类数据分工明确： 真实拍摄提供分布，仿真提供精确状态，生成数据补齐覆盖。

达瓦训练的不是一个“视频生成器”，而是一个持续演化的世界系统，整体分五个阶段：

达瓦本身就在做真实的影视和短剧生产。客户的修改、交互中的反馈、模型出错的案例，会回流成下一轮数据筛选、补采和训练的入口，也就是说，模型在片场被检验，片场又反过来喂养模型。

“我们每天都在拍真实的电影和短剧，每一次打光、每一次运镜，都在告诉模型这个世界是如何运转的。”达瓦科技联合创始人陈亮表示，“世界模型的下一场竞争，属于拥有真实世界过程的团队。”

世界模型不应该是个悬浮的概念，落到具体应用上，这套路线对应着几类明确的场景：

它们共享同一组要求：改动必须可控，输出必须及时，成本必须可估算。

一张消费级显卡、一台本地主机即可运行，不依赖云端算力，这才是从实验室演示走向更接近实际部署的真实环境。

“视频生成已经足够强大，但世界还没有开始运行。一个视频可以结束，一个世界必须持续运行。”在半程展示的路演上，达瓦科技首席产品官李宗兴这样概括Scenes AI的出发点。

“NVIDIA为实时世界模型提供了坚实的计算底座。”他表示，“我们希望和NVIDIA生态一起，让世界模型从实验室走进真实生产，让每一位创作者都能用一张显卡，实时构建、改写并走进一个持续运转的世界。”

回头看达瓦这几年的路径，几块关键拼图已经各就各位。

数据有了，8.4万平方米片场、300多个真实项目、180TB世界状态数据，而且还在持续积累；

模型跑通了，34B世界模型在一张消费级显卡上实时运行，精准控制与实时渲染同时成立；

认可也来了，8月深圳站优秀企业，10月UbiComp论文亮相，同月拿下NVIDIA半程展示卓越企业奖。

当行业的注意力开始从“生成一段视频”转向“运行一个世界”，这条从片场里长出来的路线，正在被越来越多的人看见。

视频会结束，世界不会。对Scenes AI来说，这个世界才刚刚开始运转。

*本文系量子位获授权刊载，观点仅为原作者所有。