扩散语言模型驱动的实时交互视频模型：SigmaZ 完成数百万美元融资
Pixel 擅长表达 appearance，Code 擅长表达 structure；未来会进入 Pixel-Code 联合的视觉表达。
Pixel 擅长表达 appearance，Code 擅长表达 structure；未来会进入 Pixel-Code 联合的视觉表达。
👦🏻 作者: 壹小姐
🥷 编辑: Koji
🧑🎨 排版: NCon
在视觉AI交互模型的热门赛道，一条新的路线正在从像素底层（Pixel-based）中分出来——代码路线（Code-based）。
基于当前主流的AI视频模型，一支广告可能只需要改一个商品价格，却要重新生成整条视频；同一套产品说明，因面向不同客户只需调整个别细节，却要重新输出几十个版本……
在纯像素的视频底层模型中，视频是非编码的形式、一经生成便是完成式，任何细微的改动都需要重新生成一次；而如果底层是代码，需要修改的将只是对应的文本、组件、参数或数据源——这正是代码路线的空间。
近日，基于扩散语言模型（DLM）的实时交互视频模型公司——SigmaZ AI，宣布完成数百万美元融资。资方包括蓝驰创投、云启资本（Y Transformers首批被投企业）、德迅投资、XIAOXIAO FUND 小小基金，以及多位知名投资人跟投。
交互智能实验室 SigmaZ AI 由 2003 年出生的剑桥连续创业者杨博麟 William**，和 Amazon AGI Lab（伦敦）旗舰模型视觉代码训练技术主管 Derek Law 联合创办。**
SigmaZ AI专注于两件事：Diffusion-LM 的模型训练，以及基于视觉的模型自进化框架（Vision-guided RSI）。**
它训练模型直接生成视觉代码，产出的是可实时交互、能当场修改的"活的画面"，与像素固化的传统视频形成本质区别。其旗舰产品 Tap8 即将正式发布。
7 月 22 日，这家公司发布的一条视觉交互demo视频在 X 上，6 小时冲到近 8 万播放，当天登上 Today's News 榜首，24小时内吸引了数千名内测用户加入waitlist，而且促成了SigmaZ AI 与20多家B端意向合作方的签约。
AI交互视频走进日常，卡点在哪里？
想象你正在和 AI 开一场视频会议。
你当然希望看到对面的脸。人的表情、动作、眼神、情绪——这些高熵而模糊的信息，最适合用像素表达。
但如果 AI 此刻要向你解释一家公司的财报，你大概不会希望它举着一张纸在镜头前念数字。
你希望它共享屏幕。图表应该是图表，数字应该是可以读取的数字，按钮应该可以点击，3D 产品应该可以旋转，流程应该可以展开，某一个对象发生变化时，系统应该知道究竟是哪一个对象变了。
以上这两种信息，本质上属于不同的模态。
像素 Pixel 擅长表达 appearance（外观），代码 Code 擅长表达 structure（结构）。 前者负责"这个世界看起来是什么样"，后者负责"这个世界里有什么、它们之间是什么关系、以及我可以对它做什么"。 回顾过去两年，AI 的想象力一直被"对话框"所限。无论是打字还是语音，交互的方式仍然是传统的一问一答。
现实中，人类的很多好奇心其实很难被翻译成精准的文字。
比如：看耳机测评时，我们会想直接看看内部结构 ，而不是读一段描述内部结构的文字；跟着视频健身时，我们会更想直观、无延迟地知道当下的这个动作对不对…… 原本应该是视觉化的内容，但模型只能用文字来表达。 而信息原本就长在画面里，如果硬要转化成提示词（文字形式）再输出**，这本身就是在绕远。**
这背后，一个被忽视的根本性问题是：人与AI之间不断拉大的差距其实不在智能，而在"信息带宽"。 有一组数字更直观地体现了人和 AI 之间的带宽距离：成年人静默阅读速度约每秒 5 个 token，而前沿模型今天的输出已经达到每秒 300个 token。
模型每提升一点吞吐，都在显著拉开人与AI间的差距。
一个专心的读者对一个模型的差距大约是60 倍；如果十个 agent 并行，差距将达到 600 倍。
在SigmaZ AI 看来，想要弥合这个差距，真正该换掉的不是模型，而是模型与人之间的那层交互界面。 早在今年5月，OpenAI 创始成员Andrej Karpathy 便曾在 X 上写道：人脑大约三分之一的算力用于处理视觉，视觉是信息进入大脑的十车道超高速公路；AI 输出的形态会从纯文本，到 markdown，到 HTML，最终将走向由模型直接生成的可交互视频。
在这条AI视觉交互模型赛道上，不同于纯Pixel-based式，SigmaZ AI 选择的正是"像素代码混合式"路线：画面仍以视频、动画或场景呈现，但背后不再只有像素，而是有一套可以被理解、修改和持续更新的内容组织方式。
目前，市面上不乏关于交互视频和世界模型的探索，但多数集中在"游戏引擎"和"机器人仿真训练"领域，服务对象是开发者和特定产业企业，离普通人的手机屏幕都较远。
SigmaZ AI 选择的服务场景是：把交互视频带进日常使用场景——做通用型平台。 这也意味着，SigmaZ AI 要跨过的门槛已经从"能不能做出 Demo"升级为极度现实的工程化突破——反馈要够快、生成质量要够稳、推理成本要能撑住高频使用。
SigmaZ AI 的"技术飞轮"
如何实现这样高的工程化突破？
SigmaZ AI 团队选择从 infra 做起，它做了三个核心的技术押注。这三个押注互相咬合，共同构成了这家公司的技术壁垒，也形成了它的技术飞轮。
第一，生成媒介从"像素Pixel"转向"代码像素混合 Code-Pixel Mix"——两者分工配合。 该交给"代码"的任务交给代码，该交给"像素"的任务交给像素扩散。
其中，代码 Code 负责结构、因果、交互和状态——这些低熵、需要"准确"的部分；像素 Pixel 扩散则负责纹理、细节和开放世界的高熵内容——负责"美观、好看"的部分。
纯 Pixel 视频模型输出的是像素流，画面一经生成随即固化；而 SigmaZ AI 可以让模型输出可执行的前端代码，渲染之后再形成画面。
通俗来讲，这样生成的画面，里面的元素仍然是"活着"的；交互本身即是媒介的组成部分，而非附加在视频上的外挂功能。
需要注意的是，代码作为媒介，其难点主要不在生成侧，而集中在训练侧。 因为给视觉代码打分，意味着必须先把它渲染出来，但训练中那些故意冒险的生成尝试，往往会把渲染环境直接跑崩——动画和 3D 尤其如此。
于是，SigmaZ AI 自研了一套基础设施，能够安全渲染、截屏、给不稳定代码打分，而且即使代码不稳定也不会阻塞训练集群；同时，可以在集群之间做"异步协调"和"批处理"，让视觉评审模型的打分能够理性地回流到训练中。
这条工程路径的难度远高于"让模型输出代码"本身，因为这里面存在大量行业尚未系统化的工程挑战。
第二，从推理时扩展（Test-Time Scaling）到自进化：基于视觉引导递归自进化的多模态模型 在模型层面，SigmaZ AI 可以实现自进化。
"我们的DLM模型能够通过在线学习协同离线强化学习，把每一次在线环境中的编辑轨迹蒸馏到模型权重当中，实现自主地以周为维度去迭代，持续提升模型的视觉表达能力"，SigmaZ AI 创始团队称。 事实上，扩散语言模型（DLM）长期被诟病的一个问题是，单次生成的智能上限还不够高：面对复杂的视觉代码任务，模型很难一次就把结构、逻辑和视觉效果同时做对。
SigmaZ AI 的思路不是要求模型"一次答对"，而是先通过推理时扩展（Test-Time Scaling），让模型在单个任务上多思考、多试错。
具体流程上：代码生成后被真实渲染出来，然后由视觉评审模型找出问题、反馈给 coding agent 继续修改，通过多轮"生成—渲染—评审—修改"，不断逼近更好的结果。
过去，这类循环最大的问题是太慢，很难真正进入实时生产环境。
而 DLM 更快的生成速度，让这件事第一次变得可行：它把节省下来的推理时间重新"花"在多轮评审和修正上，用速度换来了更高的智能上限。
SigmaZ AI 实测显示，即使加入 RSI 循环，首帧生成时间（Time to First Frame）依然可以控制在数秒内。 但是，如果每次都从头跑几轮，模型只是"会改"，还谈不上"会进化"。
因此，SigmaZ AI 的第二步是训练时内化（Training-Time Internalization）。
SigmaZ AI 把这些推理过程中产生的批评、修改和最优轨迹重新变成训练信号，蒸馏回模型权重，让这一次在五轮试错中学会的东西，下一代模型可能第一轮就能做到。
最后，SigmaZ AI 也在做评审器进化（Evaluator Evolution）。
从技术维度来看，视觉代码递归自进化的难点，不在跑通一次循环，而在评审标准本身会过时。
因为在代码和数学的世界里，对就是对，而"好看不好看"却是主观的，人的品味一直在变。甚至 AI 产出越多、变化越快，而固定的评审只会把模型训练成去年的审美。
当前业内的普遍做法是，训好一个评审模型就固定住，但这其实并不能满足视觉AI实时交互的需求。评审本身也需要被持续重训、持续进化。
对此，SigmaZ AI 设计了"元评审层"的持续校准。
"元评审"agent 会专门盯着评审 agent 和人类专家打分不一致的地方，自动去跑实验、重新校准评分标准，直到它和人的判断更吻合；同时，另一个"元编码"agent 会批量分析评审反馈，从中找出写代码的 agent 反复犯的系统性错误、提出改法，并在通过回测后允许上线。
整个过程中，人类专家可以全程抽检。确保循环是朝着人类需要的方向优化，而非 agent 跟着自己的感觉走、越练越偏。
以上三个循环（推理时扩展、训练时内化、评审器进化）接在一起，形成了真正的模型自进化：推理产生经验；经验沉淀为能力；不断进化的评审标准决定下一轮模型该朝哪个方向变强。 值得注意的是，SigmaZ AI 的评审标准背后，是一个积累了数年的约 1000 人规模的按需专家网络。
这些专家全部来自 QS 前 200 高校，覆盖 9 个垂直领域，75% 是硕士、25% 是博士。而且，他们不只是打分，他们更重要的作用是"校准自动评审模型"。目前，SigmaZ AI 可以实现标注者之间的一致性落在 0.67 到 0.91 之间。
这套方法由SigmaZ AI CTO Derek Law 作为核心作者写成了论文《Vision-Guided Iterative Refinement for Frontend Code Generation》，发表在 ICLR 2026 的 RSI Workshop 上。
不过，论文出于验证的考量，采用的是最简单的一种蒸馏方式，即只喂任务描述和最终结果；但在SigmaZ AI 的内部训练上，要比论文更进一步。
"我们在完整的改进轨迹上做训练，把每一轮'哪里不好、该怎么改'这个过程本身，也变成了训练信号。论文里的数字是这套方法的下限，不是上限"，SigmaZ AI 联合创始人兼 CTO Derek Law说。
第三，为实时生成重做模型栈：Diffusion-LM 与全栈后训练。 自回归模型代码写得很好，但问题出在速度上——它是逐 token 串行往下吐，速度约每秒 100 token。
如果想要生成一个内容丰富的场景，需要好几分钟。这个速度做离线渲染是够用的，但做实时交互就是致命的短板。
对比来看，"自回归模型代码"和"DLM"，是两种截然不同的"写法"：
自回归就像手写，是一个字一个字、线性地往下写；而扩散语言模型（DLM）就像先铺一整张草稿画布，然后用很少的几步、去整体打磨，不同位置的修改都可以同步推进。 A DLM instantiates a canvas of tokens and iteratively refines every position in parallel.
SigmaZ AI 团队很早就把 DLM 系统性地用在了实时交互视频上。
现在，DLM 并行解码在代码生成上，业内最高能跑到每秒 2146 token，它高出自回归模型代码一个数量级，后者是每秒约 100 token的水平。未来，一个场景的修改，将不再需要等一分钟，几秒钟就能出来。
SigmaZ AI 的优势在于时机，而不是运气。 延迟一直是实时交互视频绕不开的一堵墙。业内通行的做法是在自回归上用缓存、路由做边际优化；而SigmaZ AI 团队在 DLM 落地之前，就笃定范式必然会切换。
基于此，SigmaZ AI 很早就把工程重点投入在"视觉质量、评测体系、自进化基础设施"这些"换范式之后依然重要"的问题上，并逐一解决了。
等到 DLM 一到位，SigmaZ AI 要做的就是补上最后一块拼图，而不用从头开始。 同样是做DLM，Inception的Mercury和Google的Gemini Diffusion走的是通用横向路线，模型本身就是产品。SigmaZ AI的路径与之不同：它把基座模型后训练成精于动态图形代码的专家，然后叠上了自研的训练框架、评测栈和数据飞轮。
底座模型是市面上能买到的通用件，但围绕它构建的这套垂直整合系统，是买不到的东西——这是SigmaZ AI 真正的护城河。
"post-training 只是第一步。" SigmaZ AI表示，"下一阶段，SigmaZ 会进入到 Pixel-Code joint training。Code 和 Pixel 将不再是两套彼此独立的模型能力，而是同一个世界模型表示之上的两种 decoding path。"
整体来看，以上三个技术押注互相支撑，共同构成了SigmaZ AI 的技术飞轮： "代码像素混合"让交互成为可能；递归自进化让模型越用越好；DLM后训练让它快到能真正实时交互，同时抬高了质量的天花板。 今年 7 月，SigmaZ AI 对内部生成引擎做了一次横向评测：覆盖 7 个主流系统、5 类真实场景、25 个具体场景共 173 段视频，独立标注者盲评产出 6,760 条人工标注。
评测数据显示，在信息密集型场景里，SigmaZ AI 引擎拿到了综合质量、事实覆盖率、文字准确度三项第一，内容理解正确率并列第一，表现优于Fable 5、Seedance、Veo。
此外，自动化评测模型 VBench++ 在完全不知道人工标签的情况下，也独立复现出了高度一致的排序（Spearman ρ = +0.89）。VBench++ 是目前视频生成领域最权威和全面的自动化评测体系之一。
当然，对 SigmaZ AI 而言，这套 Benchmark 数据只是起点。接下来的产品发布，才是检验这家公司实力的真正考验。
SigmaZ 这套模型能力的首个产品化尝试—— Tap8，是一款定位为"实用且有趣的实时交互内容平台"，预计 2026 年内推出。 为什么是SigmaZ AI？
"通用型实时交互视频不是单点算法或单个模型的竞争，而是模型架构、训练框架及渲染链路、产品体验和成本结构的系统工程。这三块能力在同一支团队里闭合，是以上三个技术押注能并行推进的前提。" 云启资本执行董事韩义表示**。**
SigmaZ AI 最核心的壁垒，便来自团队在模型训练、视觉生成和消费级产品这三块之间的复合 Know-how。 在团队构成上，SigmaZ AI 联合创始人兼 CEO 杨博麟（William Yang）是一位2003年出生的连续创业者，拥有华威大学和剑桥大学的学术背景。他曾把多个创业项目从零做到数千万营收并完成一次退出，对如何把一项新技术变成普通人愿意天天打开的产品，有着第一线的判断。
SigmaZ AI 联合创始人兼 CTO Derek Law 毕业于帝国理工学院计算机科学专业，他有近十年的前沿AI Lab经验，曾是 Amazon Alexa 首位华人算法研究员，负责Amazon旗舰模型从视觉代码训练到上线的技术开发。
在Amazon AGI Lab 期间， Derek 带领一支跨美、英、印三国的团队做基于 HTML 的可交互回答，2025 年初产品率先在 Amazon Nova 上线，它比 Google 的同类产品早 6 个月、比 Anthropic 早 11 个月。
上面提到的发表于ICLR 2026 RSI 的论文——《Vision-Guided Iterative Refinement for Frontend Code Generation》，他是核心作者。 两位创始人之外，SigmaZ AI 的核心团队还汇聚了来自 Amazon AGI、Alibaba AI Lab、ByteDance AI、Baidu 等一线实验室的资深研究员与产品负责人。
除了团队的 know-how，SigmaZ AI 的另一个优势在于"数据"。 交互视频是一个全新的品类，行业里既没有现成的公开数据集，也没有专门的数据公司提供标注服务。
过去一年，SigmaZ 在真实的生产环境中，积累了数十万条带有人类偏好标注的真实数据。
数据主要来自三个渠道：
- 首先，C端消费者产品。
在行业普遍对"用代码生成交互视频"持观望态度时，SigmaZ AI 已从去年年底开始布局，通过首款C端消费产品积累了第一批种子数据。
- 第二，B端试点合作。
方向明确后，团队与大量B端用户开展了试点合作。这些用户在真实场景和受控环境下使用产品，持续产生高质量数据。
• 第三，合成数据。
在前两类数据基础上，SigmaZ AI 团队进一步通过合成方式实现数据规模的扩展。
这三类数据互为补充：C端数据提供真实用户反馈，B端数据覆盖结构化场景，合成数据完成规模放大。它们共同构成了SigmaZ AI 模型后训练的核心素材，也反过来驱动RSI自进化闭环的持续运转。
"今天回看每一轮媒介革命，本质上都是一项底层技术重写了一次信息的载体。印刷术长出了报纸，无线电长出了广播，视频编码加流媒体，长出了今天的短视频平台"。谈及SigmaZ AI 的诞生时点，杨博麟表示。
"每一次媒介革命都是底层先变，新的媒介以及那个时代最大的平台，随之生长起来"。 这一次，SigmaZ AI 押注的，是以视觉为入口的下一代人机交互界面。 SigmaZ AI 认为，AI 就是下一个新兴媒介的底层，它真正的产物会是实时交互内容。
在技术实现上，Diffusion-LM 将成为实时交互时代的一种新模型范式， 而Code 会成为它连接视觉世界的重要原生语言。
届时，同一支视频，一百万人点进去，会衍生出一百万条视频。而承载视频层交互的界面，将是 AGI 时代人与信息之间最高频、最有价值的触点。
从二维播放，到实时交互；从观看者，到创作者；从对话框里的 AI，到画面里的 AI——SigmaZ AI 正在打开的，是一个信息被重新生成、被重新观看、也被重新提问的新入口。
参考资料
[1] 今年5月，OpenAI 创始成员 Andrej Karpathy 在 X 的观点：https://x.com/karpathy/status/2053872850101285137
[2] William Yang, SigmaZ AI Lab, "Communicating With Less Lost: Interactive Video and the Interface to Intelligence", SigmaZ AI Lab, July 2026.
[3] Vision-Guided Iterative Refinement for Frontend Code Generation. ICLR 2026 Workshop on Recursive Self-Improvement. https://arxiv.org/abs/2604.05839
[4] Brysbaert. How many words do we read per minute? Journal of Memory and Language, 2019.
[5] Artificial Analysis. AI 模型输出速度对比. https://artificialanalysis.ai/models
[6] ByteDance. Seed Diffusion. arXiv:2508.02193. https://arxiv.org/abs/2508.02193
[7] Google. Gemini Diffusion. https://deepmind.google/models/gemini-diffusion/