实时世界模型（Real-time Interactive AI 词典：World Model">World Model）是一种能在你给出动作或镜头指令的同一瞬间，逐帧生成下一幅画面，并让你继续基于新画面做下一步操作的可交互生成模型。关键词不是“世界”，而是“实时”和“可交互”。
普通视频生成像点播一部拍好的电影：你写提示词，模型离线渲染一段固定视频，你只能看完或重来。实时世界模型更像玩第一人称游戏：你推前进、转视角、按跳跃，画面立刻变，模型根据“当前帧+你的动作”预测下一帧。它把生成过程拆成连续的小步，每一步都要在下一个眨眼之前算完，否则交互会断裂。PixVerse R2 这类系统强调的帧级实时与动作/镜头条件驱动，说的就是这条闭环：动作→下一帧→再动作，像开车时打方向盘，路面立刻跟着变。
和相邻概念的区别：
| 维度 | 泛化的世界模型 | 普通视频生成模型 | 实时交互世界模型 |
|---|---|---|---|
| 输出 | 内部表征/预测状态 | 固定像素视频片段 | 连续逐帧像素画面 |
| 交互 | 不一定 | 基本没有 | 动作/镜头即时驱动 |
| 延迟 | 不要求 | 秒到分钟级 | 以帧计，人感知为即时 |
| 闭环 | 可离线规划 | 开环生成 | 动作—画面闭环 |
| 物理规则 | 学出来 | 数据拟合 | 学出来，需时序自洽 |
| 典型用途 | 规划、决策、仿真 | 创作、广告、短片 | 游戏原型、VR/AR、机器人仿真、闭环测试 |
“世界模型”一词常指智能体对环境的内在建模，不一定要输出画面，也不要求实时；实时世界模型则必须生成可看的像素，并且能被人或智能体即时操控。它与游戏引擎也不同：引擎靠手写物理规则，实时模型靠数据学规则，风格扩展更灵活，但物理一致性目前更脆弱。
对从业者，这意味着内容生产从“生成一段视频”变成“操控一个场景生成多条视频”，预演、培训、仿真测试可以边调边看。对普通人，未来可能像玩一个不断生成新画面的沙盒，而不是等渲染。但长时一致性、动作语义对齐和算力成本仍是边界。具体支持的能力、分辨率与延迟，以官方页面为准。