Das geheimnisvollste Unternehmen in der KI-Branche hat endlich seine „Großwette“ offengelegt.

Text von Deng Yongyi

Redaktion von Zhang Yuxin

Was genau macht Vivix? Das ist die größte Neugier in der KI-Branche gegenüber diesem mysteriösen Unternehmen seit über einem Jahr.

Der Eindruck, den Vivix der Öffentlichkeit vermittelt, ist ungefähr folgender: Der Star-Gründer Liu Yu stellt in allen Geschäftsbereichen von Algorithmus, Produkt bis Marke aggressiv Mitarbeiter ein. Die Unternehmensbewertung ist innerhalb eines Jahres auf 1,32 Milliarden US-Dollar gestiegen, und hinter ihm stehen Investoren mit glorreichen Hintergründen.

Aber nur wenige können klar sagen, was dieses Unternehmen genau tut. Einige sagen, es sei ein reines KI-Produktunternehmen, das keine Modelle entwickelt und das „TikTok der nächsten Ära“ bauen will, weshalb es immer wieder interaktive Unterhaltungsprodukte wie 7verse und TipTap auf den Markt bringt. Wenn Sie in dieser Zeit nach Vivix suchen, ist die einzige sichtbare Einführung in die technische Richtung die auf der offiziellen Website angegebene „Engine für visuelle Generierung der nächsten Generation“.

In den 19 Monaten seit der Gründung von Vivix ist der Wettbewerb im Bereich Multimodalität nicht weniger intensiv als bei Großen Sprachmodellen (LLM), und es sind bereits Erfolgsgeschichten wie die von Seedance entstanden.

„Sind wir so mysteriös?“ Im Juli, als ich Vivix-Gründer Liu Yu zum ersten Mal traf, wirkte er etwas unempfindlich gegenüber den verschiedenen Bewertungen der Außenwelt. „Es wirkt mysteriös, weil es nicht notwendig ist, viel PR zu betreiben, solange das Modell noch nicht vollständig bereit ist.“

Liu Yu sagte, alle vorherigen Produkte von Vivix seien Erkundungen zur Validierung des Modells gewesen. Was er erreichen will, hat sich nie geändert: ein Echtzeit-Interaktionsmodell der nächsten Generation.

Die Aufmerksamkeit der Branche für dieses Unternehmen stammt zu einem großen Teil von einigen glänzenden Labels: Der Gründer Liu Yu wurde 1995 geboren, ist ein talentierter Mitarbeiter aus dem Kernteam von SenseTime und hat den vollständigen Trainingszyklus großer AIGC- und multimodaler Interaktionsmodelle durchlaufen. Bereits 2023 leitete er die Entwicklung einer verbraucherorientierten KI-Anwendung namens „Miaohua“, die im ersten Monat nach der Markteinführung Millionen von Nutzern gewann.

Ein Insider sagte uns einmal, dass es zu dieser Zeit in der visuellen Branche von SenseTime nicht mehr als 5 Personen gab, die sowohl über Algorithmus- als auch Projekterfahrung verfügten, und Liu Yu, der ein Team von hundert Personen für Basismodelle leitete und über mehr als 4000 GPUs verfügte, war einer von ihnen.

Die Aufregung, die Vivix in der Kapitalbranche ausgelöst hat, stammt zu einem großen Teil aus der von Liu Yu gewählten Unternehmensgründungsrichtung.

Im Jahr 2024, als die Erzählung über Große Sprachmodelle abkühlte, löste OpenAI Sora auf der anderen Seite eine Welle von Videogenerierungsmodellen aus. Die von Liu Yu gewählte Richtung trägt die Hoffnung des Marktes auf die Form des multimodalen Modells der nächsten Generation.

Zu dieser Zeit konzentrierten sich die meisten Anbieter von Videomodellen vollständig auf die Verbesserung der Bildqualität von Videos, längere Laufzeiten und stärkere physische Konsistenz. Liu Yu, der damals das gesamte Forschungsteam von SenseTime leitete, stellte die Generierungsgeschwindigkeit und die Interaktivität des Modells schon früher als unabhängige technische Ziele auf und erforschte, wie man mit Konsistenzmodellen die Anzahl der Sampling-Schritte bei der Videogenerierung reduzieren kann.

Liu Yu ist der Ansicht, dass interaktive Inhalte eine völlig neue Inhaltskategorie sind, die erst im KI-Zeitalter entstanden ist. Wenn ein Modell nur Audio- und Videogenerierung durchführen kann, kann es nur die Produktionsseite der ausgereiften Inhaltsformate der vorherigen Ära kostensenken und effizienter machen. Der Ursprung seiner Unternehmensgründung liegt genau darin: In absehbarer Zukunft hat das Modell die Chance, den Wendepunkt zu erreichen, an dem interaktive Inhalte „konsumierbar“ werden.

Das gesamte Modelltraining von Vivix richtet sich nach diesem Ziel. „Wenn wir ein grundlegendes Modell für interaktive Inhalte bauen wollen, muss zum einen die Generierung schnell genug sein, zum anderen muss sie kostengünstig genug sein“, sagte Liu Yu.

Das erklärt auch, warum Liu Yu bei seiner ersten öffentlichen Kommunikationsveranstaltung der Öffentlichkeit keinen bestimmten Indikator eines Spitzenmodells vorstellte, sondern die CDN-Bandbreitenkosten des Videoplatform-Giganten YouTube – das ist die grundlegende Kostengrenze der Inhaltsplattformen dieser Generation.

Im Juli wird Vivix zwei Echtzeit-Interaktionsmodelle W1 und A1 auf den Markt bringen: W1 ist ein Basismodell mit integriertem Verständnis, Interaktion und Generierung; A1 ist ein rollenzentriertes Echtzeit-Interaktionsmodell für spezifische Anwendungsszenarien wie Interaktion mit digitalen Menschen/Rollen.

Die Echtzeit-Generierungskosten des W1-Modells liegen bereits nahe an den CDN-Bandbreitenkosten von YouTube von etwa 0,2 US-Dollar pro Stunde, und im Vergleich zu den derzeit führenden Videogenerierungsmodellen können die Generierungskosten für Echtzeit-Interaktionsinhalte um ein bis zwei Größenordnungen niedriger sein.

Was die Geschwindigkeit betrifft, wenn ein Nutzer in einer Interaktionsszene eine Aktion ausführt, kann das Modell das nächste Bild innerhalb von 300 bis 600 Millisekunden generieren (also TTFF, Time to First Frame, die Zeit bis zur Generierung des ersten Bildes). Dadurch kann das Modell wirklich den nächsten Schritt der personalisierten Verteilung erreichen – personalisierte Generierung.

△ Vivix-W1 zeigt Echtzeit-Regiefähigkeit und unterstützt die Echtzeitänderung der Handlung durch Text-, Sprach- und Toucheingaben

Vivix wählt zunächst die Szenarien Spiele und Live-Streaming aus. Das ergibt sich aus den Eigenschaften dieser beiden Szenarien: Spiele sind viele-zu-viele-Interaktionen, Live-Streaming ist Eins-zu-Viele-Verteilung, die Verbrauchsdichte pro Token ist am größten, und die Obergrenzen für erzielten GMV und durchschnittlichen Bestellwert sind ebenfalls höher.

Echtzeit-Interaktion erweitert die Möglichkeiten dieser Szenarien weiter. In den von Vivix gemeinsam mit einigen Spielestudios entwickelten Demos können Spieler bereits jetzt die Handlung in Echtzeit per Prompt steuern, was eine Geschichte wirklich zu einem Open-World-Setting macht – Liu Yu betrachtet die Fähigkeit, eine Geschichte zu erzählen, als einen der Kernindikatoren zur Messung des Modells. Inhalte, die interaktiv sind und ein Gefühl der Teilhabe erzeugen, sind der größte Kern der nächsten Generation von Inhalten.

△ Vivix-A1 zeigt Bewegungsmuster und Interaktion mit Objekten und der Umgebung

Um dem neuen Inhaltsformat gerecht zu werden, müssen alle vorhandenen „Infrastrukturen“ neu aufgebaut werden. Ein wesentlicher Grund dafür ist, dass „nicht alles auf der Welt durch Sprache, Bilder und Videos ausgedrückt werden kann“, sagte Liu Yu. „Wir müssen die ursprünglichen Rohdaten menschlicher Interaktion dem Modell übergeben, damit es selbst verstehen kann.“

In den 19 Monaten seit der Gründung hat das Vivix-Team fast alles neu gemacht, von der Datenerfassung im Frontend und dem Aufbau von Datenpipelines bis hin zu Infrastruktur und Modellen. Derzeit umfasst das Vivix-Team 150 bis 160 Mitarbeiter.

Im Vergleich zu dem ehrgeizigen Weg, den Liu Yu eingeschlagen hat, ist er kein Gründer, der gerne Visionen und Werte predigt, und er fürchtet, dass die Menschen Echtzeit-Interaktion grob als ein weiteres Weltmodell verstehen. „Ich denke nur, dass das Weltmodell so heilig ist, dass wir es noch nicht verdienen, darüber zu sprechen“, sagte er.

Nach Liu Yus Plan ist das im Juli veröffentlichte W1 eine Version mittlerer Größe, deren Kern darin besteht, zu validieren, dass die Integration von Verständnis, Interaktion und Generierung funktioniert und generalisierbar ist. In diesem Jahr wird Vivix im vierten Quartal auch das Training von W2 abschließen – die Datenmenge ist um zwei Größenordnungen höher als bei W1 und deckt alle vorstellbaren natürlichen Videoszenarien mit Interaktion ab.

Man kann sagen, dass das endgültige Ziel, das Vivix erreichen will, noch relativ weit in der Zukunft liegt und extrem schwierig zu erreichen ist. Einerseits stellt Echtzeit-Interaktion höhere Anforderungen an Rechenleistung und Infrastruktur – Menschen verbrauchen Sprach-Token mit einer Geschwindigkeit von 5 bis 10 Wörtern pro Sekunde, während die Token-Menge visueller Inhalte Tausende bis Zehntausende betragen kann. Andererseits ist Echtzeit-Interaktion zwar bereits ein gemeinsames Erkundungsziel der Anbieter von Modellen der nächsten Generation, aber die große technische Kurve hat sich noch nicht stabilisiert, sodass langfristige Investitionen erforderlich sind.

Aber Liu Yu glaubt, dass er damit in seine Komfortzone kommt. „Konsens bedeutet Mittelmäßigkeit“, sagte er. Seit er klein war, egal ob er auf die Zulassung zum Doktoratsstudium verzichtete, um bei SenseTime zu gründen, oder ob er bei SenseTime schrittweise interne Unternehmensgründungen durchlief bis heute, stammten die meisten seiner Erfolge aus Nicht-Konsens.

Im Folgenden die Selbstaussage von Liu Yu, Gründer von Vivix, zusammengestellt von Intelligent Emergence:

Wir planen nicht, ein Produktunternehmen zu werden

Seit unserer Gründung haben wir mehrere Produktprototypen entwickelt, von 7Verse über TipTap bis hin zum fünften Produktprototypen heute. Alle diese Produkte dienen nur dazu, eine Frage klar zu prüfen: Welches Inhaltsformat und welche Interaktionsweise sind wirklich konsumierbar.

Das ist die grundlegende Frage in diesem Bereich. Alle Unternehmen, die KI-Unterhaltung, KI-Inhalte und interaktive Inhalte entwickeln, müssen die Frage beantworten: Welche KI-Inhalte sind für Menschen attraktiver zu konsumieren als die Inhalte von TikTok?

Anfangs haben wir diese Frage unterschätzt und dachten, dass die Definition von interaktiven Inhalten funktioniert und alle Menschen sie mögen werden, sobald sie entwickelt sind. Nachdem wir tatsächlich mehrere Produktprototypen erstellt haben, stellten wir fest, dass dies extrem schwierig ist.

Es ist schwer zu definieren, was Interaktion ist, und es ist auch schwer, Inhalte konsumierfähig zu machen. Beide Schwierigkeiten führen letztendlich zurück zur Modellfähigkeit. Deshalb steht das Produkt nicht an erster Stelle unserer Prioritäten. In absehbarer Zukunft konzentrieren wir uns weiterhin auf Modelle, und unser Kernprodukt ist der Verkauf von Modell-APIs.

Die Entwicklung dieser Produkte dient auch dazu, dem Markt einige Richtungen aufzuzeigen. Damals haben wir Sofia entwickelt, den ersten digitalen Menschen, der in der realen Welt interagieren kann, und wir stellten fest, dass viele Unternehmen für Otome-Spiele und KI-Begleitdienste dies ebenfalls umsetzen wollen.

Sie nutzen unsere API, und das Frontend-Harness ist innerhalb von zwei bis drei Tagen fertig – mit Claude Code wird das gesamte Frontend- und Datensystem erstellt. Die Kunden behalten ihr eigenes Harness – wie dieses Produkt verkauft werden soll, wie die Persönlichkeit eingestellt werden soll, wie Spielmechaniken und Zahlensysteme angepasst werden sollen. Die zugrundeliegende Engine stammt von uns.

Das Scaling Law für Multimodalität ist bereits aufgetaucht

Vor meiner Unternehmensgründung war ich verantwortlich für das Training aller grundlegenden Basismodelle von SenseTime. Die bekannteste Geschäftslinie von SenseTime ist die Gesichtserkennung, wir haben etwa 30 bis 40 Geschäftslinien für Gesichtserkennung – Gesichtsscannen in U-Bahnen, Abgleich von Person und Ausweis, Gesichtsentsperrung von Mobiltelefonen, passive Sicherheit. Wir haben festgestellt, dass selbst bei Gesichtserkennungsaufgaben für jedes einzelne Szenario ein separates Modell trainiert werden muss. Wenn man alle Daten zusammennimmt, um ein einziges Modell zu trainieren, sinkt seine Genauigkeit in jedem einzelnen Szenario.

Aber diese Generation von großen Modellen ist völlig anders. Der Self-Attention-Mechanismus in der Transformer-Architektur verleiht dem Modell von Natur aus die Fähigkeit zur domänenübergreifenden Generalisierung – je mehr Daten und je vielfältiger die Szenarien sind, desto stärker wird es. Ein einziges GPT-Modell kann Übersetzung, Begleitung, Frage-Antwort-Spiele, Codierung und vieles mehr durchführen, und die Grenzkosten zwischen diesen Szenarien sind nahezu Null.

In der ersten Hälfte des Jahres 2025 haben wir mehr als ein Dutzend Datenquellen gefunden, die dem „Next-Token-Prediction“-Prinzip für LLM entsprechen – wir nennen es „Next-Reaction-Prediction“. Es handelt sich um ein Tripel, das Daten aus mehreren Dimensionen umfasst: Was in der Vergangenheit passiert ist (Verständnis); wie Menschen interagiert haben (Interaktion); was im nächsten Moment passieren wird (Generierung).

Spiele sind von Natur aus interaktive Inhalte. Bei allen Spielaufzeichnungen und Simulationsumgebungen kann eine Wiederholung den gesamten Spielverlauf von Anfang bis Ende nachvollziehen, indem nur der Ausgangszustand und alle Bedienaktionen der Spieler aufgezeichnet werden. Diese Daten zeigen von Natur aus, wie Menschen mit Inhalten interagieren, warum sie interagieren und wie sich die Inhalte nach der Interaktion verändern.

Wir verfügen derzeit über mehrere zehn Millionen Stunden fein gefilterter multimodaler Daten, von denen einige interaktive Eigenschaften aufweisen. Der Korpus der führenden allgemeinen Videogenerierung hat ungefähr die gleiche Größenordnung.

Dies beeinflusst auch meine Überlegungen zur Art des Scaling Laws für multimodale Interaktionsdaten.

Früher, in den Zeiten des maschinellen Lernens, mussten Menschen Ground Truth (Wahrheitswerte) markieren, zum Beispiel bei der Gesichtserkennung markieren, wer die Person ist, und beim autonomen Fahren Rahmen zeichnen, um zu markieren, wo sich das Auto befindet.

Im LLM-Zeitalter gibt es das Scaling Law, weil die Next-Token-Prediction natürlicher Sprachen eine natürliche selbstüberwachte „Markierung“ ist, die keine menschliche Markierung erfordert. Im Bereich der interaktiven Intelligenz haben wir ebenfalls eine natürlich selbstüberwachte Tripel-Struktur aus „Verständnis – Interaktion – Generierung“ gefunden, sodass ein skalierbares Datenparadigma existiert.

Zuerst Daten skalieren, dann Parameter und Architektur skalieren

Wenn man die Anforderungen aus der Sicht von Endnutzern betrachtet, erstens sind sie kaum bereit, für Token zu bezahlen; zweitens ist ihre Geduld für die Geschwindigkeit der Inhaltsgenerierung begrenzt. Daher muss ein grundlegendes Modell für interaktive Inhalte zwei Eigenschaften aufweisen – schnell genug und kostengünstig genug.

Kosten, Geschwindigkeit und Qualität bilden ein unmögliches Dreieck. Wir konkurrieren nicht darum, wer niedrigere Kosten, höhere Geschwindigkeit oder bessere Bildqualität hat, sondern in einem vierdimensionalen Raum – Kosten, Geschwindigkeit, Qualität und Konsumierbarkeit der Inhalte zusammengenommen – sehen wir