一张5090跑起34B实时世界模型，国产玩家拿下英伟达大奖！
量
关注前沿科技 关注前沿科技约 12 分钟
关注前沿科技 关注前沿科技约 12 分钟
允中 发自 凹非寺
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。
先看效果：改掉一整个世界，也能只改一面墙
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。考点一：全局重渲染，结构不能乱。
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。考点二：局部改写，还得记得住。
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。一条不一样的路线：从“重画下一帧”到“更新世界状态”
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”：- 传统视频模型：重新生成一遍视频，场景、人物、相机和物体都可能跟着漂移；
- Scenes AI：场景、人物、相机和物体被冻结为保持条件，只有“光照”这一个变量改变，再由新的世界状态生成新画面。
技术架构：控制层做重，生成层做轻
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 。- 控制层 ：把连续视频拆解为可查询、可更新、可约束的状态因子——场景与空间、角色与动作、相机与镜头、灯光与材质、资产与服化道、物理与时间；负责规划行动、维护状态、推演结果。
- 渲染层 ：接收控制层下发的条件，只把需要变化的部分生成出来，再合成回画面。
- 小朋友在墙上写字时，事件层识别出书写动作和接触位置，即墙面；
- 控制层据此更新世界状态，把“墙上有字”记到墙面这个对象上；
- 随后，场景中长出树、燃起篝火、下雪又下雨，控制层只更新对应的场景元素和天气变量，渲染层只生成树、火焰、雪花和雨滴以及它们带来的光影变化，墙面和字迹直接沿用已有表示；
- 雨雪这类天气过程来了又走，属于短时变化；墙上的字则作为持久状态一直保留在世界里，供后续镜头和交互继续读取。
精准控制：改一个变量，其余全部保持
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。实时渲染：把算力留给正在变化的世界
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。第一，稀疏扩散自回归。
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。第二，因果化稀疏微扩散。
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。第三，稀疏激活。
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。底层算力：原生构建于NVIDIA技术栈。
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。核心壁垒：不是Video Dataset，是State Dataset
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。第一层：状态数据
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。第二层：训练路线
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：- 世界认知预训练：180TB影视数据自监督学习，建立统一潜空间；
- 时空预测训练：未来预测、视频补全、状态重建，学习时间演化而非连续视频拼接；
- 专项能力训练：局部稀疏微扩散、非线性视频矩阵、神经渲染与神经物理等模块分别专精；
- 联合优化：多任务联合训练与课程学习，在共享潜空间中端到端优化；
- Agent驱动强化学习：导演、摄影、灯光、动画等多智能体协同，持续优化镜头质量与场景一致性。
第三层：生产闭环
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。”从“生成一段结果”到“运行一个世界”
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：- 影视与短剧 ：导演在可控的场景下调整和转化更多创意，把每一个灵感即时转化为参数化的天气、光照、服装和环境方案；
- 直播与电商 ：把一个个的“格子直播间”变成真正的“场景直播间”，主播身处的空间随商品和话题实时切换，在雪地里卖雪地靴，在高山上卖徒步鞋；
- 文旅、游戏与互动展示 ：内容不再是被单向观看的对象，用户可以直接进入真实空间，进行互动、改写、延续。