单张消费级显卡跑起34B实时世界模型，达瓦科技获英伟达大奖

一个从国内数字化片场中成长起来的实时世界模型，在 NVIDIA 的舞台上拿下了重要奖项。

在苏州举办的 2026 NVIDIA 创业企业展示半程展示中，来自重庆的达瓦科技凭借其实时世界模型产品 Scenes AI 斩获「半程展示卓越企业奖」。该赛事吸引了 580 多家科创企业报名，最终 30 家 NVIDIA 初创加速计划（Inception）会员脱颖而出入围展示。

维护状态，而非逐帧重画

与大多数视频生成模型比拼“下一帧像不像”不同，Scenes AI 走向了另一条路径：不预测下一帧画面，而是维护一个持续运行的世界状态。

在这一架构下，场景、人物、相机、灯光、物体和物理各自成为一组可单独读写的变量。世界发生变化时，模型无需将整段画面重新绘制，仅更新发生改变的状态增量，并将结果写回系统供下一刻演化使用。更关键的是，其输入源仅是一台普通摄像头捕捉的真实物理空间，而非预设的游戏引擎数据。

在实际演示中，摄像头拍下的普通杂乱房间可实时重构为手绘夏日草原，真人实时同步化身动画角色。关键在于，尽管画风彻底改变，椅子位置、小熊玩偶的遮挡关系和空间透视依然分毫不差被锁死在原位。

同时，系统支持精确的局部记忆持久化。例如在场景墙上写下字迹后，即使经历人物离开、生成篝火、室内下雪下雨等多轮事件变更，墙上的文字与笔画依然准确留存，不会随时间推移被扩散算法“冲刷”遗忘。

控制层做重，生成层做轻

传统视频生成的本质是静态交付一段视频，极易在连续生成中累积几何、身份与光影误差。达瓦科技将持续运行的世界模型定义为：修改一个变量，保留整个世界。

系统被拆解为由世界记忆、神经物理、稀疏扩散、神经渲染与 AI 光照五大核心模块构成的运行链路，并严格践行“控制层做重，生成层做轻”的工程原则：

• 控制层（Latent Stage）：负责将视频拆解为场景、动作、光照、资产、物理等可更新因子。通过变量解耦设定“改动集”与“保持集”，结合长时序世界记忆（World Memory）与刚体/布料/流体神经物理约束，确保在连续编辑测试中目标编辑成功率达 98.2%，人物身份保持率达 93.3%。相关非线性视角矩阵融合研究（NVD）已被 ACM UbiComp / ISWC 2026 收录。
• 渲染层（LiveStage）：承担实时生成任务。分析显示真实场景中每帧变化区域通常仅占 10%—20%，模型通过潜空间缓存（Latent Cache）直接复用稳定背景，仅激活变化区域进行因果化稀疏微扩散。

在模型设计上，Scenes AI 总参数量为 34B，但在稀疏激活机制下，每步仅激活约 4B（激活比约 11.8%）。空间局部更新叠加内部稀疏激活，使得该方案相比传统视频扩散方案降低了 40%—60% 的 GPU 消耗，推理速度提升 3—5 倍，最终在单张消费级 NVIDIA GeForce RTX 显卡上达成了 720P、25 帧的稳定实时输出。

依托 180TB 真实片场状态数据

训练世界模型的一大壁垒在于数据。剪辑后的成片像素无法解释世界因何而变，达瓦强调需要的是“状态数据集（State Dataset）”而非简单的“视频数据集”。

依托位于重庆永川的 8.4 万平方米全流程数字化科技片场，达瓦在过去 5 年的 300 多个真实商业项目中，积累了约 180TB 结构化世界状态数据，涵盖相机轨迹、动作交互、光照演化等多维度标注。此外，团队利用 NVIDIA Omniverse、PhysX 与 Cosmos 生成仿真及过程数据，补齐物理边缘分布，并通过真实影视生产中的反馈构建起多智能体（Agent）强化的训练闭环。

从“生成一段结果”走向“运行一个世界”，该模型为影视微短剧即时调整、电商场景化动态直播以及沉浸式文旅互动展示带来了低成本落地的可能。依靠轻量化的本地单卡推理，世界模型正加快步入工业级生产场景。