技术深度解析
LiveHere的核心创新不在于训练新模型，而在于对NVIDIA Cosmos世界模型的战略性部署与编排。Cosmos是一系列基于扩散的世界模型，旨在从图像、文本甚至部分3D场景表示等多种输入中生成物理上合理的视频序列。与标准文本到视频模型（如OpenAI的Sora或Runway Gen-3）不同——后者在海量互联网数据上训练，常出现物体交互的幻觉——Cosmos明确针对空间一致性和时间连贯性进行了优化。这使其特别适合房地产领域，因为观众会立刻注意到椅子在帧间移动或墙面光线不自然地变化。
架构与推理管线：
Cosmos的核心采用视频扩散Transformer（ViDiT）架构。该模型以静态图像作为条件帧，自回归地生成后续帧序列。LiveHere解决的关键工程挑战是在单个节点上实现实时推理。通过将模型自托管在Nebius H200 NVLink GPU上，团队充分利用了H200的141GB HBM3e内存和4.8 TB/s内存带宽。这一点至关重要，因为Cosmos在完整的7B参数配置下，仅模型权重就需要约28GB VRAM，加上长序列生成过程中的KV缓存和中间激活值，内存需求巨大。NVLink互连技术使得单个节点内的八块H200 GPU能够共享内存并以极低开销同步梯度，从而在不到10秒的挂钟时间内生成一段30秒、24fps的视频。
采用的关键优化：
- 延迟感知的帧调度： LiveHere并非顺序生成所有帧，而是采用交错生成方法：首先生成低分辨率预览帧，然后通过并行超分辨率模块进行放大。这为用户提供了近乎即时的视觉反馈循环。
- 相机轨迹注入： Cosmos原生不支持显式相机控制。LiveHere工程师注入了一个轻量级相机姿态估计模块（基于COLMAP风格的特征匹配），从输入照片中提取相机内参和外参。这些姿态信息随后用于条件化扩散过程，确保生成的视频在空间中沿着平滑、自然的路径移动。
- 隐私优先的数据处理： 所有图像数据完全在自托管的GPU上处理，不发送至任何外部API端点。团队配置了Nebius的安全飞地环境，确保即使是云基础设施运营商也无法访问原始图像或生成的视频。
相关开源生态系统：
尽管Cosmos本身并非完全开源（NVIDIA已根据研究许可发布模型权重），但更广泛的社区已构建了补充工具。Hugging Face的`diffusers`库（目前在GitHub上拥有25k+星标）为加载和运行扩散模型提供了基础。LiveHere很可能使用了针对Cosmos特定注意力机制优化的`diffusers`自定义分支。此外，`xformers`库（10k+星标）用于实现内存高效的注意力机制，在推理期间将VRAM消耗降低约30%。
数据对比：
| 指标 | LiveHere（自托管Cosmos） | 典型云端API（如Runway Gen-3） |
|---|---|---|
| 延迟（30秒视频） | 8-12秒 | 45-120秒 |
| 每1000个视频成本 | 12美元（仅GPU计算） | 50-150美元（API费用） |
| 数据隐私 | 完全（本地GPU） | 取决于API提供商 |
| 可定制性 | 高（相机控制、风格） | 低（限于API参数） |
数据结论： 自托管实现了4-10倍的延迟提升和4-12倍的成本降低，同时提供了绝对的数据控制权。这使得针对特定垂直领域的部署在高容量用例（如房产列表）中具有经济可行性。
关键参与者与案例研究
NVIDIA的Cosmos团队： 由高级研究科学家Ming-Yu Liu领导，Cosmos项目是NVIDIA在机器人和模拟领域推动世界模型应用的更广泛战略的一部分。该模型于2025年初发布时，受到了生成视频社区的欢迎，但由于其计算需求，最初仅局限于研究实验室使用。LiveHere在黑客马拉松中的获胜是一个强烈信号，表明该模型现已具备商业部署的实用性。
Nebius（前身为Yandex Cloud）： Nebius积极将自己定位为高要求AI工作负载的基础设施提供商。其H200 NVLink集群，预留实例价格约为每GPU小时3.50美元，为AWS的p5实例（H100每GPU小时5.50美元）提供了高性价比的替代方案。Nebius的关键差异化优势在于其“AI工厂”概念：预配置的Kubernetes集群，搭载NVIDIA的NeMo框架，允许用户快速部署和扩展大规模推理任务。