Σύνοψη
- Η Runway ανέλυσε την υποδομή παραγωγής βίντεο σε πραγματικό χρόνο για το Runway Characters.
- Το μοντέλο περίπου 57 δισεκατομμυρίων παραμέτρων παράγει τετράδες καρέ με στόχο τα 24 fps.
- Οι βελτιστοποιήσεις μείωσαν τον χρόνο diffusion στα 159,3 ms ανά βήμα σε τέσσερις H100.
- Η διάμεση καθυστέρηση μέχρι την ηχητική απάντηση παραμένει 2,13 δευτερόλεπτα.
- Τέσσερα νέα καρέ κάθε 166,7 χιλιοστά του δευτερολέπτου
- Από οκτώ H100 σε τέσσερις: πώς έπεσε ο χρόνος παραγωγής
- 24 fps στο βίντεο δεν σημαίνουν άμεση απάντηση στη συζήτηση
- Η ποιότητα της εικόνας και τα προβλήματα της πραγματικής λειτουργίας
- Γιατί ενδιαφέρει όσους δημιουργούν βίντεο
- Τι πιστεύουμε
- Συχνές ερωτήσεις
Τι χρειάζεται για να παράγει ένα μοντέλο τεχνητής νοημοσύνης βίντεο όσο γρήγορα το παρακολουθούμε; Η Runway δημοσίευσε τα τεχνικά στοιχεία πίσω από τους ζωντανούς ψηφιακούς χαρακτήρες της.
Στην έρευνα με τίτλο «Real-Time Video at Batch Size One», που δημοσιεύθηκε στις 5 Νοεμβρίου 2026, η Runway εξηγεί πώς κατάφερε να λειτουργεί σε πραγματικό χρόνο ένα μοντέλο παραγωγής βίντεο περίπου 57 δισεκατομμυρίων παραμέτρων. Δεν παρουσιάζει καινούργιο προϊόν: αναλύει το σύστημα που ήδη υποστηρίζει το Runway Characters.
Η διαφορά από τα συνηθισμένα AI video generators είναι ουσιαστική. Εδώ δεν περιμένεις να ολοκληρωθεί ένα clip μετά το prompt. Ένας ψηφιακός χαρακτήρας πρέπει να ακούει, να απαντά και να συνεχίζει να κινείται καθώς η συνομιλία εξελίσσεται.
Τέσσερα νέα καρέ κάθε 166,7 χιλιοστά του δευτερολέπτου
Το Runway Characters μπορεί να δημιουργήσει έναν ψηφιακό χαρακτήρα από μία εικόνα. Πίσω του λειτουργεί ένα autoregressive video diffusion transformer περίπου 57 δισ. παραμέτρων, που παράγει την εικόνα διαδοχικά αντί να υπολογίζει ολόκληρο το βίντεο ως ένα τελικό αρχείο.
Για να διατηρήσει ρυθμό 24 καρέ το δευτερόλεπτο, το σύστημα πρέπει να παραδίδει κάθε 166,7 ms ένα νέο τμήμα τεσσάρων καρέ ανάλυσης 704 × 1088 pixels. Αν ένα τέτοιο τμήμα καθυστερήσει, η αναπαραγωγή μπορεί να σταματήσει τόσο στην εικόνα όσο και στη φωνή, αφού τα δύο μεταδίδονται συγχρονισμένα.
Ο τίτλος «Batch Size One» περιγράφει τον περιορισμό: η παραγωγή γίνεται για μία ενεργή συνομιλία κάθε φορά, χωρίς την ευκολία να ομαδοποιούνται πολλά αιτήματα στην ίδια επεξεργασία για οικονομία υπολογιστικών πόρων.
Από οκτώ H100 σε τέσσερις: πώς έπεσε ο χρόνος παραγωγής
Στην αρχική κυκλοφορία, η Runway χρησιμοποιούσε οκτώ GPU NVIDIA H100 ανά συνεδρία. Στις τέσσερις H100, ο αρχικός κώδικας χρειαζόταν 240,9 ms ανά βήμα, πολύ πάνω από τον στόχο των 166,7 ms. Με τις βελτιστοποιήσεις ο χρόνος έπεσε στα 159,3 ms, δηλαδή σε διατηρήσιμο ρυθμό περίπου 24,5 fps. Ένας πρόσθετος συνδυασμένος πυρήνας υπολογισμού και επικοινωνίας μειώνει το συγκεκριμένο βήμα περαιτέρω στα 147,4 ms.
Το κλειδί ήταν να περιοριστούν οι περιττές εργασίες που επαναλαμβάνονταν στις 240 κλήσεις attention ανά βήμα. Η Runway άλλαξε τον τρόπο ενημέρωσης της προσωρινής μνήμης του μοντέλου, εφαρμόζοντας τις απαραίτητες μετατροπές κατά την εγγραφή των νέων δεδομένων και χρησιμοποιώντας κυκλικό buffer. Έτσι ο χρόνος συντήρησης της μνήμης μειώθηκε από 69,7 σε 6,2 ms.
Παράλληλα, η εταιρεία συνδύασε εργασίες matrix multiplication και επικοινωνίας μεταξύ GPU, ώστε τμήματα των δεδομένων να μεταφέρονται όσο συνεχίζονται οι υπολογισμοί. Η αποκωδικοποίηση των παραγόμενων δεδομένων σε κανονικά καρέ γίνεται σε ξεχωριστή GPU, παράλληλα με την παραγωγή του επόμενου τμήματος. Επομένως οι τέσσερις H100 αφορούν το βασικό στάδιο diffusion και όχι αναγκαστικά ολόκληρο το hardware της συνεδρίας.
24 fps στο βίντεο δεν σημαίνουν άμεση απάντηση στη συζήτηση
Η σταθερή ροή καρέ και η ταχύτητα απόκρισης σε μια ερώτηση είναι δύο διαφορετικά πράγματα. Σε 51 συνομιλιακές εναλλαγές από 12 ζωντανές συνεδρίες, η Runway μέτρησε διάμεσο χρόνο 2,13 δευτερολέπτων από το τέλος της ομιλίας του χρήστη μέχρι να ακουστεί η φωνή του χαρακτήρα στη συσκευή του. Από αυτόν τον χρόνο, τα 1,42 δευτερόλεπτα αντιστοιχούσαν στο φωνητικό AI agent, 0,49 δευτερόλεπτα στη μετάβαση από τον πρώτο ήχο του agent στο πρώτο καρέ ομιλίας και περίπου 190 ms στη μεταφορά προς τον browser.
Σύμφωνα με τις εσωτερικές μετρήσεις επτά εβδομάδων, το σύστημα διατήρησε μέση ταχύτητα πάνω από 23,5 fps στο 99,5% των συνεδριών που διήρκεσαν τουλάχιστον ένα δευτερόλεπτο. Πρόκειται για μετρήσεις πραγματικής λειτουργίας που δημοσιεύει η εταιρεία, όχι για ανεξάρτητο benchmark.
Η ποιότητα της εικόνας και τα προβλήματα της πραγματικής λειτουργίας
Η Runway επισημαίνει ότι σε ένα autoregressive σύστημα οι μικρές αριθμητικές διαφορές στα πρώτα καρέ μπορούν να οδηγήσουν σε διαφορετική ακολουθία εικόνων. Γι’ αυτό αξιολόγησε τις αλλαγές με μετρήσεις συγχρονισμού χειλιών και επαναλαμβανόμενες δοκιμές. Στα 51 clips που μπόρεσε να βαθμολογήσει ο έλεγχος SyncNet, οι μέσες αποκλίσεις δεν ξεπέρασαν το 0,03, συγκρίσιμες με τις διαφορές μεταξύ επαναλήψεων της ίδιας ρύθμισης.
Η δημοσίευση περιγράφει και μια αστοχία παραγωγής: μετά από αναβάθμιση PyTorch και NCCL, ένας βελτιστοποιημένος πυρήνας δημιουργούσε προβλήματα μνήμης επειδή οι δοκιμές δεν κάλυπταν την ποικιλία μήκους των prompts. Η Runway τον απενεργοποίησε προσωρινά, περιόρισε τη χρήση του στις σταθερές συνθήκες λειτουργίας και τον ενεργοποίησε ξανά στις 8 Οκτωβρίου 2026. Είναι μια χρήσιμη υπενθύμιση ότι η συνεχής AI παραγωγή εξαρτάται όσο από την υποδομή τόσο και από το μοντέλο.
Γιατί ενδιαφέρει όσους δημιουργούν βίντεο
Η τεχνολογία έχει ιδιαίτερο ενδιαφέρον για διαδραστικούς ψηφιακούς παρουσιαστές, εκπαιδευτικές εμπειρίες και χαρακτήρες που προσαρμόζουν τη συμπεριφορά τους στη συνομιλία. Δεν πρέπει όμως να συγχέεται με την παραδοσιακή παραγωγή AI πλάνων για μοντάζ: η ενσωμάτωση των εργαλείων Runway σε Premiere Pro και After Effects αφορά τη δημιουργία και επεξεργασία έτοιμων assets μέσα στην timeline, ενώ το Characters αφορά ένα συνεχές, ζωντανό video stream.
Τι πιστεύουμε
Για όσους δουλεύουμε με βίντεο, η μεγάλη διαφορά εδώ είναι ότι το AI αρχίζει να αποκτά χρονικό περιορισμό σαν αυτόν που έχουμε σε ένα ζωντανό γύρισμα ή μια μετάδοση. Δεν αρκεί να βγάλει ένα ωραίο καρέ. Πρέπει να έχει έτοιμο το επόμενο στην ώρα του, χωρίς να «σπάει» η συνομιλία.
Μου φαίνεται ιδιαίτερα ενδιαφέρον ότι ένα μεγάλο μέρος της προόδου δεν προήλθε από άλλο ένα καινούργιο μοντέλο, αλλά από την καλύτερη αξιοποίηση της μνήμης και των GPU. Αυτό έχει πρακτική σημασία: αν τέτοια συστήματα χρειάζονται λιγότερο υπολογιστικό χρόνο ανά συνεδρία, θα γίνεται ευκολότερο να ενταχθούν σε διαδραστικές παραγωγές με πραγματικούς χρήστες.
Από την άλλη, τα 24 fps δεν λύνουν από μόνα τους τη σκηνοθεσία ενός ψηφιακού χαρακτήρα. Η πειστική εκφορά, οι παύσεις, το βλέμμα και η σωστή στιγμή της αντίδρασης είναι εξίσου σημαντικά. Τα 2,13 δευτερόλεπτα μέχρι την απάντηση δείχνουν πού υπάρχει ακόμη περιθώριο: όχι μόνο στις εικόνες, αλλά σε ολόκληρη την εμπειρία της επικοινωνίας.
Συχνές ερωτήσεις
Τι σημαίνει «Batch Size One» στην έρευνα της Runway;
Ότι κάθε συνεδρία πρέπει να εξυπηρετείται με συνεχόμενη ροή καρέ για έναν χρήστη, χωρίς να περιμένει την ομαδοποίηση άλλων αιτημάτων, όπως συμβαίνει σε πολλά συστήματα AI.
Το Runway Characters απαντά χωρίς καθυστέρηση;
Όχι. Η παραγωγή βίντεο στα περίπου 24 fps αφορά την ομαλή ροή της εικόνας. Η Runway μετρά διάμεσο χρόνο 2,13 δευτερολέπτων μέχρι να φτάσει η ηχητική απάντηση στον χρήστη.
