美国加利福尼亚州的 AI 初创公司 Visko（Visko Platform Inc.）于当地时间 9 月 1 日向公众开放了视频生成基础模型"Orbis"。与传统视频生成 AI 生成几秒到几十秒的片段后即告结束不同，Orbis 能以 4K、每秒 24 帧的规格实时持续生成画面，中途更改指令时，画面不会停止，内容会随之切换。公司同时宣布，在由 Llama Ventures 领投的种子前轮融资中筹得 1,000 万美元（约 16 亿日元）。
※1 美元 = 159 日元（截至 2026 年 9 月 2 日）
不是"渲染"，而是"运行"的模型
到目前为止，大多数视频生成 AI 的用法都是：输入提示词，等待，然后拿到一段成品片段。生成完成后画面就固定了，既不能续写，也不能中途修改。
Visko 则把自家模型归入一个新类别，称为"Live Model（实时模型）"。按公司的说法，这类模型不是"渲染"画面，而是"运行"画面。Orbis 生成第一帧后立即推流，下一帧则基于此前的全部内容生成，如此无限循环。创始人兼 CEO Qing（Will）Yin 将这一机制比作大语言模型逐个预测下一个词的过程。
得益于这种设计，在生成过程中更换提示词时，视频不会暂停或从头开始，世界的内容会就地发生变化。支持的用途有三种：文本生成视频、图像生成视频、以及已有视频的续写，并支持多语言提示词。
卖点是"小时级别也不崩"
实时生成类模型一直以来最大的难题，是运行得越久画面越容易崩坏。Yin 也表示，此前所有实时系统都撞上了同一堵墙——世界运行得越久就越支离破碎，而 Orbis 正是为了跨越这堵墙而打造的。
根据公司的技术报告，Orbis 在保持 4K、24fps 实时生成的同时，即使进行小时级别的生成，也不会出现明显的画质下降或色彩漂移。关键在于两个部分：一是跨片段保持主体、场景和画风的多尺度记忆；二是在推理过程中对多个"下一步发展"候选打分、引导输出朝物理上合理的运动方向前进的潜在世界模型。通过用这一世界模型为物体的运动提供依据，目标不只是画面看起来连续，而是运动本身也自然。
在评测方面，公司表示，在衡量画面美学质量和技术质量的 DOVER，以及衡量画面与运动质量的 VideoAlign 上，Orbis 均超过了参与比较的实时类和长视频类系统。在对 8 个系统进行的长视频人工评测中，Orbis 在整体偏好和时间稳定性两项上获得最高评价。另一方面，报告也披露了 Orbis 落后于其他系统的项目，评测方法和结果全部公开。这份技术报告已于 7 月 29 日发布在 arXiv 上。
前 Apple 研究员带领的 16 人团队
Visko 成立于 2025 年，总部位于加利福尼亚州桑尼维尔。创始人 Yin 在斯坦福大学获得计算数学与力学博士学位，曾在苹果担任研究员 3 年。团队共 16 人，成员来自苹果、Google DeepMind、Meta、亚马逊和特斯拉。
顾问阵容同样引人注目。顾问委员会主席是加州大学伯克利分校的 Michael I. Jordan，他是公认的机器学习领域领军研究者。此外还有哥伦比亚大学的 Steve WaiChing Sun 和纽约大学的 Mengye Ren。Jordan 评价称，Orbis 相对于传统的短片段视频生成拥有具有实质意义的技术领先，同样的核心能力可以带来广泛的商业机会，涵盖机器人、物理仿真、游戏、直播电商、教育以及实时创意媒体。分发由合作伙伴 Reactor 负责。
目标是机器人的训练数据
Visko 最看重的首个用途不是娱乐，而是机器人。Yin 指出，那些危险或成本高昂、难以实际拍摄的场景，可以生成为仿真和训练数据。他还表示，Orbis 可用于构建极少发生的情况（corner case）的测试环境，以验证自动驾驶汽车和人形机器人的安全性。
与此同时，公司也坦率地说明了尚不足之处。研究方面，课题包括进一步改进记忆结构以提高整段生成的一致性，以及在训练数据中加入"将机械臂抬起 45 度"这类细粒度的动作描述。工程方面，接下来要扩大模型和数据的规模；目前以音频和视频数据为主，也在探索引入触觉等传感器数据的可能性。Yin 认为，通用机器人进入家庭与自动驾驶一样需要时间，公司会在这一过程中寻找商业化机会。
总结
Visko 的"Orbis"作为一款"Live Model"正式向公众开放，它能实时持续生成 4K、24fps 的画面，中途更换提示词也不会停止。最大的卖点是在小时级别的生成中画质和色彩也不易崩坏，在人工评测中宣称在 8 个系统里整体评价和时间稳定性均居首位。由前 Apple 研究员带领的 16 人团队筹得 1,000 万美元，他们要挑战的与其说是视频内容的生成，不如说是可用于机器人和自动驾驶训练的"持续运行的世界"。
