編輯｜Youli

6 月 30 日晚，抖音主播「女流 66」直播間里，一場(chǎng)有些「特殊」的直播拉開帷幕。

清北學(xué)霸姐「女流 66」、電競(jìng)冠軍姐夫「YJJ」與整活之王弟弟「壯壯」三人罕見同框，共同進(jìn)入一個(gè)由 AI 驅(qū)動(dòng)的真實(shí)空間游戲：「女流 66」需要以「過去之人」身份獨(dú)走一條只有她能走通的單線，而弟弟「壯壯」和姐夫「YJJ」則在「未來」側(cè)隔著一堵墻配合，只有通過重重關(guān)卡，三人才能實(shí)現(xiàn)重聚。

過程中，手機(jī)鏡頭、麥克風(fēng)、房間物件以及觀眾互動(dòng)都被納入了同一套游戲邏輯，而 AI 則完美承擔(dān)了編劇、主持、場(chǎng)控、任務(wù)調(diào)度和內(nèi)容反饋等多重角色。

比如，直播中觀眾打賞的禮物會(huì)化作「金幣雨」，玩家需要搶奪更多的金幣來用作后面的游戲情節(jié)：

隨著游戲推進(jìn)，玩家需要親自為對(duì)方 Vibe Coding 接下來要闖的關(guān)卡，而從玩家到觀眾，沒人知道接下來做出的游戲關(guān)卡長(zhǎng)啥樣，這些都是隨著「實(shí)戰(zhàn)」的進(jìn)行而「實(shí)時(shí)」推進(jìn)的。

從這個(gè)角度來看，這場(chǎng)直播打破了傳統(tǒng)直播「觀看主播完成內(nèi)容」的單向模式，而是徹底推進(jìn)到「主播、AI 和觀眾共同參與、生成內(nèi)容」的全新范式：玩家在真實(shí)房間里移動(dòng)、觀察、表達(dá)和行動(dòng)；觀眾通過直播間互動(dòng)改變場(chǎng)內(nèi)事件；AI 則持續(xù)把這些輸入組織成關(guān)卡、劇情、任務(wù)反饋和節(jié)目效果。

正如在游戲結(jié)束后「壯壯」的體驗(yàn)感受，以前觀眾可能通過彈幕帶來一些夸贊和獎(jiǎng)賞，但這是第一次，自己在彈幕的幫助下完成游戲。

看著這「魔法」般的游戲，直播彈幕紛紛猜測(cè)這背后到底是哪家游戲公司或是 AI 大廠？

答案是「整點(diǎn)貝果 Bagelive」團(tuán)隊(duì)，而這場(chǎng)直播，正是AI 互動(dòng)內(nèi)容產(chǎn)品「整點(diǎn)貝果 Bagelive」的首秀。但如果只把它作為一次 AI 新玩法展示，可能就低估了它的意義，這更像是一次極具野心的AI 原生互動(dòng)娛樂「實(shí)驗(yàn)」。

過去，大模型行業(yè)更多比拼單點(diǎn)能力：能不能生成圖片和視頻、能不能推理、能不能寫代碼…… 可隨著 Agent 時(shí)代到來，AI 開始進(jìn)入直播、游戲、社交和數(shù)字員工等真實(shí)場(chǎng)景，問題也隨之變化：一次請(qǐng)求、回答，已無法覆蓋這些場(chǎng)景的復(fù)雜度。AI 需要連續(xù)運(yùn)行數(shù)小時(shí)，實(shí)時(shí)理解多人輸入，維護(hù)狀態(tài)一致性，調(diào)度內(nèi)容節(jié)奏，還要在高并發(fā)環(huán)境下保持穩(wěn)定和安全。

這時(shí)，真正決定 Agent 產(chǎn)品競(jìng)爭(zhēng)力的，已經(jīng)不只是模型能力，而是AI 如何在真實(shí)生產(chǎn)環(huán)境中持續(xù)、穩(wěn)定、可靠運(yùn)行。背后的關(guān)鍵能力，也從 Prompt Engineering 轉(zhuǎn)向如何控制復(fù)雜度的系統(tǒng)工程能力（Complexity Engineering）。

圍繞這一點(diǎn)，業(yè)界也開始了多種嘗試與探索。而貝果團(tuán)隊(duì)認(rèn)為，多人實(shí)時(shí)互動(dòng)直播，是目前最復(fù)雜、也最能驗(yàn)證這類能力的絕佳環(huán)境，在這場(chǎng)長(zhǎng)達(dá)近兩小時(shí)的直播首秀中，貝果團(tuán)隊(duì)給出了第一版解法。

最直觀的效果來自數(shù)字。數(shù)據(jù)顯示，這場(chǎng)直播總曝光人數(shù)達(dá)到93.5 萬，最高在線人數(shù)高達(dá)2.9 萬，約為近 7 場(chǎng)均值的 3.2 倍。而互動(dòng)和商業(yè)化表現(xiàn)同樣突出：評(píng)論人數(shù)約為近 7 場(chǎng)均值的 6.5 倍，送禮人數(shù)約為近 7 場(chǎng)均值的 7 倍……

這意味著，整點(diǎn)貝果帶來的不只是觀看熱度提升，還把觀眾卷入內(nèi)容現(xiàn)場(chǎng)，從「圍觀者」轉(zhuǎn)化為「參與者」，并進(jìn)一步撬動(dòng)真實(shí)付費(fèi)行為。可以說，這次「實(shí)驗(yàn)」，在真實(shí)流量、互動(dòng)和商業(yè)化場(chǎng)景中，初步驗(yàn)證了 AI 互動(dòng)內(nèi)容的成立。

運(yùn)行長(zhǎng)時(shí)長(zhǎng)程的直播任務(wù)，

為何需要一整套 Agent Runtime 能力？

從直播切片中可以看出，整點(diǎn)貝果把直播間體驗(yàn)推到了一個(gè)新維度：主播、AI 和觀眾共同生成內(nèi)容，但實(shí)際上，這并不是最難的部分。

更大的挑戰(zhàn)，是在多人、多內(nèi)容、長(zhǎng)時(shí)間實(shí)時(shí)互動(dòng)的復(fù)雜環(huán)境下，讓系統(tǒng)持續(xù)運(yùn)行、維護(hù)狀態(tài)、保持一致，并在異常出現(xiàn)時(shí)實(shí)時(shí)恢復(fù)。

比如，誰(shuí)在做什么，任務(wù)進(jìn)行到哪里？哪些事件已經(jīng)觸發(fā)？觀眾互動(dòng)對(duì)后續(xù)游戲進(jìn)程帶來怎樣的影響？主播說話移動(dòng)、彈幕爆發(fā)、禮物觸發(fā)后，系統(tǒng)該如何處理這些事件流，并進(jìn)一步推動(dòng)后續(xù)內(nèi)容？以及當(dāng)主播跳出預(yù)期流程、模型輸出不穩(wěn)定時(shí)，如何在大家沒有感知的情況下快速恢復(fù)、回到可控范圍？

這些問題很難只靠 Prompt 解決。

原因在于，Prompt 更適合解決單次生成問題，而直播面對(duì)的是連續(xù)運(yùn)行問題。一次 Prompt 可以讓模型生成一句臺(tái)詞、一個(gè)任務(wù)、一個(gè)反饋，但一場(chǎng)實(shí)時(shí)互動(dòng)直播需要的是一個(gè)長(zhǎng)時(shí)、有狀態(tài)、事件驅(qū)動(dòng)的底層執(zhí)行環(huán)境。

這也是貝果團(tuán)隊(duì)強(qiáng)調(diào)Agent Runtime的原因。Agent Runtime 承擔(dān)的是讓 Agent 真正穩(wěn)定跑起來的底層環(huán)境，核心是把 Agent 的決策邏輯轉(zhuǎn)化為可執(zhí)行的計(jì)算過程，讓任務(wù)在復(fù)雜現(xiàn)場(chǎng)中安全、穩(wěn)定、可控地完成。

具體到直播現(xiàn)場(chǎng)，Agent Runtime 首先要處理的就是直播現(xiàn)場(chǎng)的三重不確定性：

• 輸入不確定：直播間輸入來自多模態(tài)信號(hào)，既有主播語(yǔ)音、畫面、動(dòng)作，也有彈幕、點(diǎn)贊、禮物和觀眾情緒等，往往語(yǔ)義模糊、意圖不明確，且隨時(shí)變化；
• 時(shí)序不確定：多人多內(nèi)容并發(fā)，時(shí)序依賴極強(qiáng)，比如主播前一秒的動(dòng)作、觀眾互動(dòng)或任務(wù)觸發(fā)，都可能會(huì)影響后一秒的現(xiàn)場(chǎng)狀態(tài)；
• 輸出不確定：多模態(tài)輸出具有概率性和方差，生成式 AI 的輸出天然帶有概率性和方差，而直播現(xiàn)場(chǎng)又要求低延遲、穩(wěn)定、安全，不能長(zhǎng)時(shí)間卡頓，也不能出現(xiàn)明顯失控。

為此，整點(diǎn)貝果在底層構(gòu)建了高強(qiáng)度的約束、校驗(yàn)、分級(jí)降級(jí)與實(shí)時(shí)審核機(jī)制，成功將不確定性「鎖死」在受控范圍內(nèi)。

在實(shí)時(shí)一致性上，整點(diǎn)貝果首先依靠oLM 場(chǎng)景理解能力建立對(duì)現(xiàn)場(chǎng)的統(tǒng)一認(rèn)知，oLM 即指 omni model 全模態(tài)模型，會(huì)同時(shí)輸入直播畫面、現(xiàn)場(chǎng)音頻和當(dāng)前游戲環(huán)節(jié)等上下文信息，綜合判斷主播動(dòng)作、觀眾互動(dòng)和游戲進(jìn)度。

在此基礎(chǔ)上，系統(tǒng)采用S2S（語(yǔ)音到語(yǔ)音）低延遲語(yǔ)音 + 旁路意圖識(shí)別技術(shù)，將模糊的意圖實(shí)時(shí)轉(zhuǎn)化為確定的游戲事件，盡量確保主鏈路零阻塞、無背壓。同時(shí)，面對(duì)異步、高頻、亂序的事件，系統(tǒng)依靠 SSOT（單事實(shí)來源）、事件有序性以及重傳 / 丟失補(bǔ)償廣播同步，讓全端在毫秒級(jí)內(nèi)迅速收斂到同一份節(jié)目狀態(tài)，以實(shí)現(xiàn)極強(qiáng)的故障自愈與狀態(tài)同步。

在異步編排上，整點(diǎn)貝果強(qiáng)調(diào)長(zhǎng)耗時(shí)異步任務(wù)的并發(fā)控制與沖突仲裁：實(shí)時(shí)任務(wù)優(yōu)先響應(yīng)，長(zhǎng)耗時(shí)任務(wù)后臺(tái)并發(fā)執(zhí)行；當(dāng)多個(gè)結(jié)果同時(shí)返回時(shí)，系統(tǒng)再根據(jù)當(dāng)前節(jié)目狀態(tài)做沖突仲裁，判斷哪些內(nèi)容可以進(jìn)入現(xiàn)場(chǎng)，哪些需要等待、丟棄或重算。

多模型編排則走 SLA (并發(fā) / 重試 / 預(yù)請(qǐng)求) 壓尾延遲：語(yǔ)音、文本、視覺、劇情、安全審核等能力往往由不同模型或模塊承擔(dān)，系統(tǒng)需要通過并發(fā)、重試、預(yù)請(qǐng)求等機(jī)制建立 SLA，把尾部延遲壓下來，避免某個(gè)慢響應(yīng)拖住整場(chǎng)直播。

此外，還有容錯(cuò)和安全。直播沒有重來的機(jī)會(huì)，一次識(shí)別失敗、模型輸出跑偏、審核遺漏，都可能直接暴露在觀眾面前。因此，整點(diǎn)貝果的 Runtime 必須具備故障自愈和優(yōu)雅降級(jí)能力：模型超時(shí)就切備用路徑，生成不穩(wěn)就回退到保守反饋，觀眾輸入過亂就降低其對(duì)主線影響，主播跳出預(yù)期流程就重新對(duì)齊現(xiàn)場(chǎng)狀態(tài)。

而這一切最好對(duì)用戶「無感」。主播看到的是直播繼續(xù)推進(jìn)，觀眾看到的是節(jié)目節(jié)奏沒有斷，后臺(tái)系統(tǒng)則完成了重試、替換、降級(jí)和狀態(tài)修正。

結(jié)果就是，首秀當(dāng)晚，最高在線人數(shù)高達(dá) 2.9 萬人的直播間，延遲被死死鎖在人類反應(yīng)時(shí)間的秒級(jí)，全程零事故安全跑通……

不過，單純「跑通」并不是全部。直播不是考試，完成任務(wù)只是底線，節(jié)目效果才決定觀看體驗(yàn)。這也是為什么整點(diǎn)貝果要提出「節(jié)目效果 Agent」：在多人、多內(nèi)容并發(fā)的實(shí)時(shí)現(xiàn)場(chǎng)，AI 要做的核心事情，是激發(fā)并維持好的情緒與關(guān)系。

它要能判斷什么時(shí)候該推進(jìn)任務(wù)，什么時(shí)候該制造一點(diǎn)沖突，什么時(shí)候該幫主播「接梗」，什么時(shí)候該放大觀眾情緒等。

比如此次直播三位主播同框，本身就有關(guān)系張力，他們之間的配合、吐槽、拆臺(tái)和臨場(chǎng)反應(yīng)，是直播內(nèi)容的重要組成部分。AI 如果只是機(jī)械地下發(fā)任務(wù)，現(xiàn)場(chǎng)會(huì)變成技術(shù)演示，可如果過度介入，又可能打斷主播之間自然產(chǎn)生的化學(xué)反應(yīng)。

所以直播 Agent 的難點(diǎn)并不只是「能不能給出下一步指令」，還包括「能不能做現(xiàn)場(chǎng)」。為了實(shí)現(xiàn)這一點(diǎn)，整點(diǎn)貝果引入面向情緒理解和心理學(xué)建模的系統(tǒng)能力，用來預(yù)演接下來怎樣讓情緒和關(guān)系往更好的方向發(fā)展。

從這個(gè)角度看，整點(diǎn)貝果想降低的不是「開播」的門檻，而是高質(zhì)量多人互動(dòng)內(nèi)容的生產(chǎn)門檻。在貝果團(tuán)隊(duì)的設(shè)想中，如果這套「節(jié)目效果 Agent」能持續(xù)優(yōu)化，未來 KOC 也有機(jī)會(huì)做出綜藝級(jí)的直播效果。

但更大的意義在于，整點(diǎn)貝果以直播為切口，跑通了一種新的 AI 互動(dòng)內(nèi)容形態(tài)，AI 不只是幫主播生成素材，而是能夠?qū)崟r(shí)理解現(xiàn)場(chǎng)，調(diào)度任務(wù)，幫助內(nèi)容創(chuàng)作者掌控互動(dòng)節(jié)奏、情緒張力和現(xiàn)場(chǎng)關(guān)系。

這也是整點(diǎn)貝果想重新定義的方向：讓 AI 互動(dòng)內(nèi)容從「生成一個(gè)結(jié)果」，走向「組織一個(gè)正在發(fā)生的現(xiàn)場(chǎng)」。

「Runtime + 場(chǎng)景智能」，

如何筑起無法復(fù)制的壁壘？

前面說了這么多整點(diǎn)貝果 Agent Runtime 的優(yōu)勢(shì)，但實(shí)際上， 這只是其「跑」起來的底座，更長(zhǎng)期的壁壘，來自于Runtime + Scene Intelligence（場(chǎng)景智能）+ Benchmark + Reward（獎(jiǎng)勵(lì)信號(hào)） 組成的完整閉環(huán)。

原因在于，娛樂領(lǐng)域和代碼、數(shù)學(xué)這類任務(wù)有很大不同。代碼能不能跑、數(shù)學(xué)答案對(duì)不對(duì)，都有相對(duì)明確的驗(yàn)證標(biāo)準(zhǔn)，但直播效果沒有天然 Oracle（公開標(biāo)準(zhǔn)）。如何評(píng)斷一場(chǎng)直播效果好？是彈幕更多、互動(dòng)更高、主播反應(yīng)更自然、現(xiàn)場(chǎng)關(guān)系更具張力，還是任務(wù)推進(jìn)更流暢？

沒有公開答案，也沒有現(xiàn)成數(shù)據(jù)和成熟模型。因此，誰(shuí)先把這個(gè)領(lǐng)域的 Oracle 建出來，誰(shuí)就有機(jī)會(huì)建立真正的壁壘。

貝果團(tuán)隊(duì)的做法，是把高行業(yè)認(rèn)知結(jié)構(gòu)化為 Benchmark。行業(yè)專家和技術(shù)團(tuán)隊(duì)一起定義業(yè)務(wù)問題，完成冷啟動(dòng)；隨后通過真實(shí)場(chǎng)景獲取獨(dú)有數(shù)據(jù)，其中最高質(zhì)量的數(shù)據(jù)，來自 KOC 自己對(duì)優(yōu)秀動(dòng)作的判斷和打標(biāo)。

這意味著，整點(diǎn)貝果的護(hù)城河并不只來自工程系統(tǒng)本身，還來自認(rèn)知、場(chǎng)景和數(shù)據(jù)的疊乘：先占據(jù)場(chǎng)景，才能拿到真實(shí)數(shù)據(jù)；有了數(shù)據(jù)，才能建立評(píng)測(cè)標(biāo)準(zhǔn)；有了評(píng)測(cè)標(biāo)準(zhǔn)，才能構(gòu)造 Reward；有了 Reward，才能反過來優(yōu)化模型調(diào)用、調(diào)度策略和節(jié)目效果……

這條「飛輪」可以概括為：占場(chǎng)景、攢數(shù)據(jù)、建評(píng)測(cè)、反哺優(yōu)化。

其中，Reward 是最難的一環(huán)。傳統(tǒng)娛樂內(nèi)容中，并沒有一套現(xiàn)成的 Reward 可以直接拿來用。直播效果容易被表層指標(biāo)誤導(dǎo)，比如只追求彈幕數(shù)量、禮物金額或互動(dòng)頻率，可能會(huì)帶來 Reward Hacking：系統(tǒng)學(xué)會(huì)刷指標(biāo)，卻沒有真正提升觀眾情緒和觀看體驗(yàn)。

因此，整點(diǎn)貝果需要復(fù)用現(xiàn)場(chǎng)采集的多組信號(hào)，包括彈幕語(yǔ)義、互動(dòng)行為、現(xiàn)場(chǎng)效果、參與度，以及 KOC 對(duì)優(yōu)秀動(dòng)作的打標(biāo)數(shù)據(jù)，從中構(gòu)建更能反映情緒和關(guān)系質(zhì)量的 Reward，將抽象的、不可編排的「節(jié)目效果」具像化，在每一場(chǎng)直播中穩(wěn)定、自然地呈現(xiàn)出來。

只要 Reward 率先達(dá)到并超越人工水平，就能用數(shù)據(jù)閉環(huán)驅(qū)動(dòng)模型與策略的離線優(yōu)化，形成一條越跑越快、越滾越大的場(chǎng)景數(shù)據(jù)飛輪……

而對(duì)于整點(diǎn)貝果來說，這種打法是同行在短期內(nèi)根本無法復(fù)制的壁壘。

憑什么是整點(diǎn)貝果先「跑」出來？

能夠率先在行業(yè)里跑通如此復(fù)雜的系統(tǒng)工程，底氣首先來自于整點(diǎn)貝果的核心創(chuàng)始團(tuán)隊(duì)。

資料顯示，研發(fā)負(fù)責(zé)人 Johnny擁有極其硬核的 ToC 大流量與 AI Native 產(chǎn)品實(shí)戰(zhàn)背景。曾任 MiniMax ToC 產(chǎn)品技術(shù)負(fù)責(zé)人，作為 Glow 技術(shù)負(fù)責(zé)人從 0 到 1 負(fù)責(zé)團(tuán)隊(duì)搭建與架構(gòu)設(shè)計(jì)；隨后作為 Talkie / 星野的技術(shù)負(fù)責(zé)人，立項(xiàng)一個(gè)月即完成初版上線。在此之前，他還是字節(jié)跳動(dòng)國(guó)際化社區(qū)客戶端技術(shù)專家。

算法負(fù)責(zé)人蔡達(dá)則具備深厚的學(xué)術(shù)與工業(yè)界雙棲背景，他擁有 UCL（倫敦大學(xué)學(xué)院）計(jì)算機(jī)科學(xué)碩士學(xué)位，此前在騰訊擔(dān)任應(yīng)用研究需求建模組負(fù)責(zé)人，長(zhǎng)期深耕于內(nèi)容行業(yè)，探索供需關(guān)系、因果推斷（自研 DeepCausalModel）以及多模態(tài)內(nèi)容理解等前沿方向，以科學(xué)的方式量化不同內(nèi)容對(duì)于平臺(tái)核心指標(biāo)的影響。

而這樣的團(tuán)隊(duì)背景，對(duì)應(yīng)到整點(diǎn)貝果的產(chǎn)品能力中，恰好形成一個(gè)交叉組合：兼具消費(fèi)級(jí)產(chǎn)品、高并發(fā)工程經(jīng)驗(yàn)，以及內(nèi)容效果建模、因果分析和多模態(tài)預(yù)測(cè)能力。

但這只是基礎(chǔ)，真正支撐整點(diǎn)貝果快速迭代的，是團(tuán)隊(duì)總結(jié)并踐行的AI Native 團(tuán)隊(duì)方法論。

具體來看，AI Native 研發(fā)方法并不是簡(jiǎn)單用 AI 寫代碼，而是圍繞復(fù)雜 Agent 產(chǎn)品的長(zhǎng)期迭代，重構(gòu)了「復(fù)雜度管理」「研發(fā)流程」和「組織協(xié)作方式」。

• 復(fù)雜度管理：模型越強(qiáng)，并不意味著復(fù)雜度消失，只是系統(tǒng)能堆到更高復(fù)雜度才會(huì)「崩」。因此，對(duì)于整點(diǎn)貝果這樣需要長(zhǎng)期迭代的多人實(shí)時(shí)互動(dòng)產(chǎn)品，團(tuán)隊(duì)認(rèn)為必須「把復(fù)雜度當(dāng)?shù)谝还駚聿稹梗鲃?dòng)對(duì)業(yè)務(wù)做領(lǐng)域劃分、按正確維度拆分，用拆分把整體認(rèn)知復(fù)雜度降下來。
• 研發(fā)流程的結(jié)構(gòu)性重構(gòu)：當(dāng) AI 讓寫代碼變便宜后，真正稀缺的不再是代碼生產(chǎn)，而是驗(yàn)收、聯(lián)調(diào)、決策和持續(xù)執(zhí)行。因此，團(tuán)隊(duì)把大量流程轉(zhuǎn)化為「AI 能自己跑的可執(zhí)行物 + Gate / 契約」，人只在標(biāo)準(zhǔn)制定和關(guān)鍵判斷處介入。
• 把 AI 當(dāng)作組織基礎(chǔ)設(shè)施：AI native 團(tuán)隊(duì)不只是用 AI 寫代碼，而是讓 AI 系統(tǒng)性補(bǔ)上人在組織運(yùn)轉(zhuǎn)里的三個(gè)天然短板 ——「記不住、盯不過來、做不持續(xù)」，從而實(shí)現(xiàn) AI 負(fù)責(zé)承接 Context、核對(duì) PRD / 技術(shù)文檔 / 測(cè)試 Case/ 代碼之間的不一致；通過任務(wù)軌跡 benchmark 讓 Agent 行為自我收斂；再把復(fù)盤結(jié)論沉淀為 Skill，讓改進(jìn)經(jīng)驗(yàn)在團(tuán)隊(duì)內(nèi)持續(xù)復(fù)用。

但這還不夠，更重要的是，整點(diǎn)貝果在產(chǎn)品策略上走出了一條與基座模型能力正交演進(jìn)、垂直 90 度的獨(dú)特路徑。

如何理解？

整點(diǎn)貝果明確指出：基座模型是產(chǎn)品的能力底座，模型能力的提升會(huì)直接抬高整點(diǎn)貝果的效果天花板，大模型進(jìn)步對(duì)團(tuán)隊(duì)而言是絕對(duì)的「順風(fēng)」。但團(tuán)隊(duì)不是做模型本身會(huì)解決的事，而是從模型能力維度、AI 工程維度、場(chǎng)景理解三大正交維度，累積自身的絕對(duì) Delta（增量壁壘），并讓其互相粘合復(fù)利：

• 模型能力維度：全面建立從感知到?jīng)Q策到生成的能力棧。自建圍繞情緒的實(shí)時(shí)理解與心理學(xué)建模，并在多模態(tài)實(shí)時(shí)輸出上深耕，圍繞直播場(chǎng)景系統(tǒng)性的構(gòu)建了一套包含多個(gè)不同參數(shù)量、不同模態(tài)模型的復(fù)雜協(xié)同鏈路。其中包含端到端低延遲語(yǔ)音 S2S，以及李誕同款「言出法隨」玩法背后的長(zhǎng)時(shí)幀間一致、實(shí)時(shí)流暢的人像視頻濾鏡。

這里插一句，「言出法隨」玩法是整點(diǎn)貝果首秀時(shí)推出的一個(gè)趣味功能，用戶說自己要變成什么，系統(tǒng)就會(huì)快速把鏡頭里的人改寫成對(duì)應(yīng)形象。前段時(shí)間李誕在體驗(yàn)產(chǎn)品時(shí)，解鎖了眾多玩法。比如，李誕說出一句「我想變成一顆蛋。」隨后鏡頭里就出現(xiàn)了一顆蛋的形象，甚至還保留了李誕帶著眼鏡的細(xì)節(jié)。

• AI 工程維度：在萬人級(jí)、不允許出錯(cuò)的極限生產(chǎn)環(huán)境中，「死磕」并跑通高并發(fā)系統(tǒng)的可觀測(cè)性、穩(wěn)定性與長(zhǎng)程狀態(tài)保持，針對(duì)不同 AI 生成場(chǎng)景和模態(tài)需求，動(dòng)態(tài)調(diào)動(dòng)資源保證生成的實(shí)時(shí)性和穩(wěn)定性。
• 場(chǎng)景理解維度：把頭部 KOC 級(jí)的直播效果解構(gòu)、抽象為一個(gè)個(gè)可被定義的原子化模塊并沉淀到系統(tǒng)庫(kù)中。根據(jù)不同的主播特性和粉絲偏好，每場(chǎng)內(nèi)容都進(jìn)行個(gè)性化的組裝和拼接，Agent 會(huì)基于直播情況實(shí)時(shí)調(diào)配，保證直播內(nèi)容始終都維持在最佳的體驗(yàn)上。

這樣做的好處在于，純應(yīng)用公司一味與底層模型同向賽跑，可當(dāng)模型升級(jí)時(shí)，應(yīng)用極易被內(nèi)化吞噬，而整點(diǎn)貝果與模型垂直 90 度，別人在同向賽跑，他們?cè)凇复怪逼痫w」……

從數(shù)萬人直播間，

走向真實(shí)世界的「互動(dòng)內(nèi)容引擎」

在直播的最后，主播「女流 66」成功「畫」門破墻，三位主播得以重聚，在高燃、熱血的 BGM 聲中，回顧空間中出現(xiàn)的他們玩過的所有游戲……

到這里， 這場(chǎng)多人實(shí)時(shí)互動(dòng)直播首秀就結(jié)束了，但整點(diǎn)貝果來說，這僅僅是一次完美的兵力預(yù)演。整點(diǎn)貝果從來都不是為了做一個(gè)孤立的、垂直的直播 Agent，而是想向全行業(yè)展示一套可以無縫遷移、泛化到更多真實(shí)世界場(chǎng)景的 Agent Runtime 能力。

今天，這場(chǎng)直播中所出現(xiàn)的關(guān)鍵問題，或許只是真實(shí)復(fù)雜生產(chǎn)環(huán)境中諸多問題的「?jìng)?cè)寫」，未來，數(shù)字員工可能需要更長(zhǎng)時(shí)間理解上下文并執(zhí)行多步任務(wù)；AI 主持需要實(shí)時(shí)感知現(xiàn)場(chǎng)并調(diào)動(dòng)氛圍；AI 社交需要維護(hù)多人關(guān)系與長(zhǎng)期記憶；多人游戲需要處理更復(fù)雜的實(shí)時(shí)狀態(tài)、玩家行為和內(nèi)容生成……

但這些場(chǎng)景共享同一個(gè)底層命題，即 AI 不能只會(huì)生成內(nèi)容，還必須能穩(wěn)定運(yùn)行、實(shí)時(shí)調(diào)度、理解場(chǎng)景、控制風(fēng)險(xiǎn)，并持續(xù)產(chǎn)生有效反饋。

而整點(diǎn)貝果想做的，是希望這套沉淀下來的、面向「多人多內(nèi)容實(shí)時(shí)交互」的系統(tǒng)級(jí)調(diào)度引擎，演變?yōu)橄乱淮?AI 實(shí)時(shí)交互內(nèi)容的通用引擎，未來能夠在數(shù)字員工、AI 主持、AI 社交、多人游戲等復(fù)雜環(huán)境中釋放出顛覆性的商業(yè)與技術(shù)價(jià)值。

從這一層面來看，整點(diǎn)貝果的這次直播首秀，或許正是技術(shù)范式「質(zhì)變」的開始……