SOTA · 视觉与生成

视频生成

文生视频、图生视频、物理与时序一致性

视频生成比图像多一个维度:时间。一张图错了可以重 roll,一段视频里物体穿模、手指增减、镜头推进时背景融化,暴露的是模型对物理世界如何随时间演化的理解——这正是世界模型要回答的问题,也是具身智能在真机上必须内化的东西。所以视频域的进展不能只看画面精致度:时序一致性(物体在多帧之间保持同一性)、物理合理性(重力、碰撞、遮挡关系)、可控性(运镜、时长、首尾帧约束)这三件事,决定了它是「特效玩具」还是「生产工具」。和 AGI 的连接点在这里最清楚:能把「接下来会发生什么」预测得足够准的模型,离能在真实环境里规划行动的模型只差一个动作接口。

尺子VBench、EvalCrafter、物理与时序一致性

SOTA 阶梯

视频生成影音创作梯顶A

Gemini Omni:视频交付单位从「一次抽卡」变成「一段可对话的编辑过程」

Google DeepMind 的视频与多模态生成模型,官方定位 create anything from any input, starting with video:逐步对话编辑视频,每次编辑建立在上一次之上并维持连贯场景,交付单位从一个镜头提到可改素材;另两条:真实世界知识、任意参考合成单一输出。水位连票数读:Artificial Analysis 竞技场(2026-09-22)文生视频榜 gemini-omni-1.1-flash 以 Elo 1516 第 1,但只有 1,784 票、CI ±15;第 2 同门 1513、26,576 票、±9,3 分差远小于各自 CI,统计不可区分,即 Omni 系列并列榜首。图生视频榜第 1 是 minimax-h3(1495、57,112 票),Omni 以 1488、3,734 票第 2。定价:输入 $1.50/1M tokens,输出文本 $9.00/1M、视频 $17.50/1M,720p 约 $0.10/秒、30 秒约 $3。付费层 GA、免费层无。闭源不可自托管、不能微调。置信度 A(已确认),视频域首条 A 档;A 指读数可信可核,不等于无争议第一。

1516Arena T2V Elo(1784 票)已确认 · 2026-09

产品Google DeepMind官网

视频生成影音创作梯顶C

可灵 3.0 系列:音频原生进模型、画面到 4K,参数化镜头语言仍是它的护城河

快手可灵是国内最早把视频生成推到「能接商业单」水位的一条主线,长期强项不在纯文生视频,而在图生视频与运镜控制:先由图像环节锁定构图与角色,再让视频模型在确定的关键帧上补间,配合首尾帧约束与推/拉/摇/移/环绕/跟随的镜头参数,做出可预测的短片段。3.0 系列(官方 release-note 横幅:全面开放 API)带来三处实质跃迁——音频原生进模型(5/10/12 秒音频档)、图像与视频原生 2K/4K、智能分镜与元素参考把多镜头连贯从剪辑问题变成模型可控问题;型号分工为 3.0 / 3.0 Omni / 3.0 Turbo、Kling Image 3.0 与 -omni、Native 4K Video、Motion Control。竞技场水位说实话:图生视频 kling-v3-pro 第 19(Elo 1354),前面是 MiniMax h3、gemini-omni、wan3.0、seedance-2.5。3.0 系列的官方发布精确日期未拿到权威源,指标日期只按可核验月份记 2026-09。闭源、只走厂商接口;未做基准复现,置信度记 C。

3.0 / Omni / Turbo当前旗舰系列厂商宣称 · 2026-09

产品快手 Kuaishou官网

视频生成影音创作梯顶C

Seedance 2.5:把视频交付单位从「一个镜头」提到「30 秒叙事」

字节 Seed 的视频生成主线。1.x 是文生/图生的静音短镜头,2.0 起换成统一多模态音视频联合生成架构(文本/图像/音频/视频四类输入),2.5 把交付单位直接提到 30 秒一段叙事,并支持再续写两次、白模控制、绿幕编辑、专业运镜与表演调度。第三方水位是它最硬的地方:Artificial Analysis 竞技场(2026-09-22)图生视频 dreamina-seedance-2.5-720p 第 4(Elo 1477),文生视频 2.0 第 5(1479)、2.5 第 7(1474)。闭源,只走 Dreamina / 火山引擎 / BytePlus,不能自托管与微调;SeedVideoBench-2.0 是内部评测,无法独立复现。未做基准复现,置信度记 C(厂商宣称)。

30s单次生成叙事时长厂商宣称 · 2026-09

产品ByteDance Seed官网

视频生成影音创作梯顶C

Wan 万相:视频生成侧的开放权重基线,让整个生态能在自己机器上迭代

阿里通义万相把视频生成模型以 Apache-2.0 放出权重,是视频域里最重要的公共基线。它的价值与闭源服务不同:不在于「今天出片最好看」,而在于可微调、可复现、可在自己的推理栈上跑——LoRA、ControlNet 式条件控制、量化加速、蒸馏少步数这一整套生态工作都围绕它展开。对情报站来说,一个开放权重基线意味着「视频生成现在能做到什么」这个问题第一次有了可以自己验证的参照系,而不必相信厂商精选样本。许可与仓库公开这两条已核验,画质与物理表现仍是 C 级厂商口径。

Apache-2.0开放权重许可厂商宣称 · 2025-07

产品阿里巴巴通义 Alibaba Tongyi官网 Repo

图像生成设计与前端梯顶C

FLUX:把图像生成从「出图」推进到「可控编辑 + 开放权重」的那条主线

Black Forest Labs 的 FLUX 家族用整流流(rectified flow)Transformer 做图像生成,并放出 Apache-2.0 的 dev 档权重,是开源侧最重要的图像基线;Kontext 一档把「按指令改这张图的局部而不动其余」做成了可用能力。采集库里另有 FLUX 3 的发布记录,厂商把它定位成统一图像/视频/音频的世界模型,这一主张记为待核验。

Apache-2.0开放权重档位(dev)厂商宣称 · 2024-08

产品Black Forest Labs官网 Repo

Agent文档与演示C

豆包工作:从 PPT 到操作电脑,字节的生产力 agent

字节 2026-08 推出的生产力 agent:做 PPT/文档/表格、深入调研、定时任务,还能读写本地文件、跨页面填表,并用手机远程派发任务。

Office 三件套 + 电脑操作能直接交付什么(厂商宣称)厂商宣称 · 2026-08

产品字节跳动官网

视频生成

OpenMontage:把你的 AI 编程助手变成一整间视频制片厂

开源的 agent 化视频制片系统:代码里没有编排器,Claude Code、Cursor、Copilot、Codex 等编程助手本身就是编排器。YAML 流水线清单、Markdown 导演技能、100 多个注册工具与七维打分的供应商选择器,把调研、提案、剧本、场景计划、素材、剪辑、合成做成带创意审批门与预算治理的流水线;零 API key 也能靠 Piper 离线语音、Archive.org/NASA/Wikimedia 与免费素材库剪出真 footage 视频,Backlot 看板把阶段、故事板审批与逐笔花费摊在墙上。

71kGitHub Star 数

官网 Repo

视频生成

HyperFrames：写 HTML 就能渲染视频、为 Agent 而生的开源确定性视频引擎

HeyGen 开源的 HyperFrames 把视频定义成带 data-* 时间属性的 HTML：无构建步骤、index.html 直接可播可预览；渲染时无头 Chrome 逐帧 seek 抓取、FFmpeg 编码，同一输入永远得到同一支 MP4。它自带 21 个 agent 技能、frame.md 设计系统转译层与 Catalog 组件库，Claude Code / Codex / Cursor 等编码代理可以跑完 plan—write—lint—preview—render 的整条生产循环；AWS Lambda 路径支持分布式渲染。Apache-2.0，无按次渲染费用。

63kGitHub Star 数

官网 Repo

视频生成

Toonflow:开源 AI 短剧与漫剧视频生成平台,剧本、分镜、资产与镜头在同一张无限画布上成片

Toonflow 把短剧与漫剧的制作链路产品化为无限画布节点:文本节点写剧本与分镜,图片生成节点出角色三视图与场景图,视频生成节点按参考素材逐镜头出片,音频节点与 3D 导演台补齐配音与机位预演;模型层完全开放,第三方 API、本地 ComfyUI 与 LLM 皆可接入,Agent、MCP 与插件市场把同一张画布开放给机器。MIT 许可,桌面 / Android / Docker / 服务器四态部署。

18kGitHub Star 数

官网 Repo

视频生成

Wan2GP：让 6GB 显存的显卡跑主流生成模型

面向显存贫乏者的一站式本地生成应用：视频、图像、音频与语音模型统一入口，底层 MMGP 用块交换、显存预载与七档 Profile 把超显存模型跑起来，最低 6GB 显存。

10kGitHub Star 数

Repo

视频生成

LiveTalking：实时交互流式数字人引擎

LiveTalking 用插件化链路串起 LLM、TTS、三种口型模型与 WebRTC、RTMP、虚拟摄像头输出，支持打断、动作编排、录制和多会话。

9.7kGitHub Star 数

官网 Repo

视频生成

Pika H3 Flex:最多 12 路引用驱动的六步同步音视频生成

Pika Labs 在 MiniMax-H3 上开源的双适配器音视频生成工具,支持首尾帧和多模态引用,六步联合生成视频与立体声,并明确算力与许可证边界。

1.3kGitHub Star 数

Repo

语音与音频

LiveKit Agents：把实时语音 AI 智能体做成可编程参与者

LiveKit Agents 是开源的实时语音 AI 智能体框架（Apache-2.0，15.0k star）：智能体以服务器端「可编程参与者」身份加入 WebRTC 房间，能听、能看、能说。Agent、AgentSession、entrypoint、AgentServer 四层抽象之上，是 83 个可插拔 STT/LLM/TTS/Realtime 插件与 LiveKit Inference 统一模型字符串；轮转检测 transformer、自适应打断与 AMD 答机检测把对话稳健性做进框架；原生 MCP、多智能体交接、pytest 事件流断言加 LLM 评委，console/dev/start 三种运行模式直通生产调度与电话栈。

15kGitHub Star 数

官网 Repo

论文与深读

2026-10-28Open-H3-Regenerate-2K：三步扩散把低分辨率视频重绘到原生 4KOpen-H3-Regenerate-2K 冻结 H3 主干与 VAE，只训练细化 LoRA，用潜空间放大和三次扩散把任意低分辨率草稿重绘到原生 768P 至 4K。

2026-10-23RynnUnify：迈向统一具身大脑RynnUnify以16B双分支统一具身大脑，交错语言推理与视频世界建模，并扩展至机器人动作控制。

2026-09-28WB-WAM：清华叉院把全身动作监督塞进视频预训练，人形数据效率提升 3 倍清华交叉信息研究院、雄安人工智能研究院与墨尔本大学（Hang Zhao 组）提出 WB-WAM：72 维共享物理动作空间（身体 29 + 根部 3 + 双灵巧手 20+20）把 1,880.2 小时九源异构视频/动捕数据的部分标注统一进掩码流匹配的生成式视频预训练，再经 PICO 第一人称演示中间训练（22h/73 任务，GMR 重定向+约束 IK+MINT）与带前向运动学损失的真机后训练落到宇树 G1 + Wuji 灵巧手。仿真 HumanoidArena 七任务全胜（81.9%）；真机五任务 84.0% 超 OpenWAM 的 80.0%（ACT 仅 20%、Fast-WAM 仅 6%）；PICO 中间训练让 30 条真机演示达 73.8%，超过 100 条直训的 65.0%——真机数据省 70%。

2026-09-24Rolling-WAM：把世界动作模型的去噪摊到每个重规划周期南加州大学、布朗大学、复旦大学与丰田研究院提出 Rolling-WAM。世界动作模型（WAM）把未来视觉预测与动作生成耦合，但标准做法要求每个重规划周期把整个预测视野从纯噪声完整去噪一遍，延迟巨大、闭环反应迟钝。作者指出 receding-horizon 控制实际只执行视野的开头一小段，未被执行的尾巴含有价值却被丢弃。Rolling-WAM 维护一个滑动窗口，窗口内越靠未来的 chunk 噪声越高：滚动模式下 chunk j 的噪声为 σ((j-1+τ)/W)，第一个 chunk 在周期结束时变干净，且满足 σ_{j+1}(0) = σ_j(1) 的衔接条件，因此窗口前移后被保留的 chunk 恰好处于新位置的起始噪声，可直接接着去噪。每个 chunk 仍走满 N 步，但计算被摊到多个周期，稳态每周期只需 N/W 步。默认 N=10、W=5、K=16，即维持 80 个动作的预测窗口而每次更新只跑 2 步去噪。注意力掩码上，每个动作 chunk 可 attend 整个窗口的视觉特征，动作之间的直接注意力仅限同 chunk，视频 token 不 attend 动作 token，训练与推理一致。结果：稳态重规划 215 ms 对比 Joint-WAM 的 978 ms，加速 4.5 倍，比不做未来想象的 Fast-WAM（548 ms）还快，且比两个 VLA 基线（285/296 ms）更快；LIBERO 98.1%、RoboTwin 2.0 93.3%（全场最高，且无具身预训练即超过预训练的 LingBot-VA）、Unitree G1 真机三任务 85.0%。消融显示窗口 W=5 最优而 W=8 掉到 69.5%，且跨 chunk 直接动作注意力反而有害——动作应借道共享视觉未来协调。

2026-09-24BeyondRetarget：从单目视频直接学习人形机器人可执行动作南京大学团队（arXiv:2609.29850）把「先估人体动作再重定向」的两阶段管线整个丢掉：不经过 SMPL 显式表示，直接从单目 RGB 视频学习机器人导向的隐式共享运动表征，经机器人专属解码头输出目标人形的完整动作。三项关键设计：① 解码器围绕可学习的机器人名义态做残差参数化，新机器人只重训 DoF 与根部朝向分支，单卡约 1 小时适配一台新本体；② 用逐连杆非均匀缩放把 SMPL 标注解析对齐到机器人骨架比例，人的动作直接监督机器人，无需任何原生机器人轨迹，外加 18 共享关键点 + 有向语义连杆两级监督；③ 接触预测器 + 「接触但移动 vs 支撑」两级门控触发根部高度/水平修正与下肢 IK，支撑脚零滑动。结果：G1 上 MAMPJPE 26.36mm、Fail65/Fail100 双零、Mujoco 执行成功率 95.86%，且姿态误差低于喂 SMPL 真值的 Oracle 重定向（重定向误差存在的直接证据）；八种人形（G1/R1/H1/GR1-T1/GR2-V3/T1/Tienkung/Atlas）MAMPJPE 全部 26.36–72.05mm；端到端延迟 192.8ms（两阶段约 1.3s），支持单目视觉实时遥操作。代码开源 bear-ty/BeyondRetarget。

2026-09-22MachEmbodied-U0：理想汽车的统一理解-生成具身基础模型理想汽车 Foundation Model 团队提出 MachEmbodied-U0（ME-U0），一个把理解与生成专家统一进 Mixture-of-Transformers 架构的具身基础模型。理解专家以自回归文本生成输出子任务描述与可供性定位（含边界框、交互方式与交互点）；生成专家用 flow matching 联合去噪未来视觉动力学（RGB、深度、表面法线、光流）与连续机器人动作，四种视觉模态共享同一个视频 VAE 隐空间与生成骨干，无需分模态预测头。Multi-rate Rotary Position Encoding（MRPE）解决动作比视频密三倍带来的时间对齐问题：保留视频隐帧的共享时间位置，给块内每个动作按次序分配不同的高度轴索引，配合 H_a = 3(H_v - 1) 的采样规则，形成每视频隐步对应 12 个动作步的一致跨模态时间结构。数据侧从约 5,700 小时机器人示范加 3,920 小时第一人称示范中精选出约 4,200 小时，覆盖四个开源数据集与六种本体（AgiBot G1 占 52.8%）；三阶段清洗依次做突变检测、状态-动作一致性检查与物理边界检查；Ego2Robot 合成流水线用 Depth Anything 3、SAM3、ProPainter、SAM3D、两阶段 PPO 与 MuJoCo/Mink 逆运动学把人类示范转为机器人对齐的观测与轨迹标注。实验在下游不补任何子任务、可供性、几何与运动标注的前提下取得 RoboDojo 17.66 分（WAM 组最强，精度 23.95、长程 36.98 领先最明显）、LIBERO 99.0%、LIBERO-Plus 82.5%，并保留零样本的子任务预测、可供性接地与视觉动力学能力。作者诚实指出记忆类任务最弱（Score 8.42），因模型不显式保留观测历史。

2026-09-19SparkDiffusion：破解高稀疏陷阱，阿里北大清华把视频生成在单卡上加速 265 倍北大、清华与阿里（Melon Group/Alibaba Research）提出 SparkDiffusion（arXiv:2609.23153）：先诊断出「高稀疏陷阱」——注意力稀疏到 97% 时逐步训练损失照降而终端生成质量停滞倒退，根因是流匹配类逐步监督无法约束终端误差（Oracle 干预实验证明高噪声 5 步修正即可消除大部分终端误差）。三段配方：短促稀疏预热（补偿式稀疏注意力，RoLA）→ 少步轨迹混合蒸馏（CrossDistill：高噪声 PCM 一致性 + 低噪声 DMD 分布匹配，3 步 CFG-free 学生）→ FP8 W8A8 量化与融合核。720P 长序列维持 97% 稀疏度，Wan2.1-T2V-14B-720P 单张 RTX 5090 端到端加速 265×（H100 220×），1.3B-480P 视频仅 1.3s；多样性最接近稠密参照，VBench 83.15 对稠密 83.69。代码开源。

2026-09-04GE-Act 2.0：世界-动作模型预训练与规模扩展GE-Act 2.0 以控制导向自编码器、单步视觉规划器和逆动力学模型构建世界-动作系统，并用 KASO 对齐生成未来与动作监督。共享操作数据从 300 扩充到 30,000 小时后，G1-OP 与 G2-90D 的零样本分布外成功率分别达到 44.1% 和 31.1%。

2026-08-26Perceptron 开源 Isaac 0.5：首个同时横跨视频理解、具身推理与机器人控制的开源基础模型，视频数据换遥操作省 210×Isaac 0.5 是 Perceptron 发布的 36B 稀疏参数开源具身基础模型：读取图像、视频、语言、机器人状态与先前动作，能答视频问题、定位跟踪目标、报告任务进度并生成动作。团队确立了视频-遥操作数据权衡的扩展定律：通用视频从 1,000 小时扩到 100 万小时，达到损失 2.50 所需遥操作从约 5,900 小时降到 28 小时（210×）。训练数据覆盖 35+ 机器人系统、10 万小时机器人经验、100 万小时视频、3 万亿 token，首创语义世界建模（预测未来 percept）+ mHarmony 类型化多模态接口 + Null Experts 动态计算，感知五任务族全面领先且推理成本仅对手 1/8.5。权重、训练代码与 LeRobot 推理代码全部开放。

2026-08-25TurboT2VA：分数正则化一致性蒸馏加速 19B 视频音频联合生成，四步采样 20.1×、H20 上全栈 54.67×联合文生视频+音频模型推理开销巨大。TurboT2VA 针对 19B 联合视频音频模型提出蒸馏+推理框架：逐模态归一化解决模态不均衡优化，渐进式课程（离散一致性预热→连续一致性精炼→联合一致性-分布匹配）先建立稳定多样轨迹再做分布级精炼。LTX-2 上四步蒸馏将 512×768 生成延迟 50.52s→2.51s（20.1×），画质/音质/多样性/音画同步保持；架构感知推理栈（guard W8A8+融合算子、padded-text 压缩、模态感知稀疏注意力）在 1024×1792 高分辨率下单张 H20 318.74s→5.83s（54.67×）。

2026-08-21Human-JEPA：能够感知与预测的人类中心视觉模型理解人类的机器应当能够感知当下并预测未来。现有的人类中心视觉模型在静态图像上预训练，在静态密集感知上达到 SOTA，但无法处理运动与预测。本文提出 Human-JEPA，一个在视频上通过锚定预测训练的人类中心视觉模型：密集目标被钉在初始化的冻结副本上，防止密集感知的静默坍缩；块掩码被纯过去到未来的分割取代，避免了 5 个点的动作税和 17 个点的重识别坍缩。在冻结探针下，Human-JEPA 以 2.7 倍更少的参数在姿态估计和行人重识别上领先像素锚定专家模型，同时其预测头是首个不降低预测性能的预测头。单一安全适配的模型因此同时服务于理解人类的两个方面。

2026-08-03StreamSplat：流式前馈三维高斯溅射前馈三维高斯溅射（3DGS）无需逐场景优化即可高效合成新视角，但现有方法多假设固定视角集合并联合处理。我们提出StreamSplat，一个流式前馈3DGS框架，增量维护持久的几何锚定场景状态，并在每个输入块后解码为可渲染的三维高斯。其核心是体素对齐因果缓存（VACC），将历史三维令牌存储在内存有界的体素结构中，使内存随探索的场景几何而非流长度增长。为在因果预测中更好复用历史，引入历史投影深度锚定（HPDA）和缓存引导特征注入（CGFI）。在DL3DV、RealEstate10K和ScanNet上的实验表明，StreamSplat在稀疏因果输入下与前馈3DGS方法竞争力强，并扩展到256、512和1024视角的长流。

2026-07-27WorldDiT:面向世界与动作建模的统一扩散架构提出WorldDiT,统一扩散架构同时建模世界与动作,在世界模型与动作生成上取得平衡,服务于具身智能。

2026-07-24机器人渲染的机器人分解世界模型动作条件视频世界模型预测未来观测,本文提出通过机器人渲染构建机器人分解的世界模型。

2026-07-20ConsiSpace:视频空间推理中学习几何一致性至关重要针对视频空间推理任务,提出ConsiSpace方法显式学习几何一致性,提升视频空间推理的准确性与鲁棒性。

2026-01-131X 世界模型：从视频到动作——机器人学习的新范式1X 介绍其视频预训练世界模型 1XWM，集成到 NEO 中作为机器人策略。与 VLA 不同，1XWM 从文本条件的视频生成中提取机器人动作，利用互联网视频中的世界动力学实现零样本泛化，无需大规模遥操作数据。

2025-11-19VIRAL：把人形 loco-manipulation 完全练在仿真里，零样本搬上真机VIRAL 是 NVIDIA GEAR 与 CMU 等提出的视觉 sim-to-real 框架：特权 RL 教师用 delta 动作空间、分段奖励与参考状态初始化学会长程 loco-manipulation，再经 64 卡大规模视觉仿真把 DAgger 与 BC 混合蒸馏成只用 RGB 的学生策略，配合灵巧手 SysID、相机外参对齐与四维视觉随机化，零微调部署到 Unitree G1——59 次真机试验成功 54 次，单循环 20.2 秒快过专家遥操作，并泛化到九类环境变化。消融显示算力规模是及格线而非加速器，官方代码、模型与完整奖励表全部开源。

开源项目

Pika-Labs/Pika-H3-FlexNOASSERTION

Pika H3 Flex:最多 12 路引用驱动的六步同步音视频生成

Pika Labs 在 MiniMax-H3 上开源的双适配器音视频生成工具,支持首尾帧和多模态引用,六步联合生成视频与立体声,并明确算力与许可证边界。

视频生成音频生成

Python1.3k2810

livekit/agentsApache-2.0

LiveTalking：实时交互流式数字人引擎

LiveTalking 用插件化链路串起 LLM、TTS、三种口型模型与 WebRTC、RTMP、虚拟摄像头输出，支持打断、动作编排、录制和多会话。

数字人Talking Head

Python9.7k1.5k75

seedleap/zing-world-modelNOASSERTION

Zing-0.5：高效实时交互式世界模型

涌跃智能开源的因果世界模型：文本提示与键盘动作实时改变世界演化，因果KV缓存+四步DMD采样实现单GPU长时程实时rollout，WBench榜单实时世界模型第一。

世界模型实时交互

Python123162

现在就能用的资产

消费它的领域

边界与失败模式

边界很硬,而且比图像域更难绕。一、时长:单次生成普遍停在 5-10 秒,更长的片子是靠首尾帧接力或多段拼接做出来的,接缝处的风格漂移与角色不一致要靠人工挑;「一句话出一分钟连贯叙事」目前不存在。二、物理:流体、布料、多人交互、手与物体的接触仍然是高频翻车点,模型学到的是「看起来像物理」的纹理统计,不是守恒律。三、声音:多数生成是静音的,配音配乐走另一条管线,口型对齐只在专门产品里可用。四、可控性:运镜与分镜指令遵循度低,专业流程只能靠图生视频(先出关键帧再让模型补间)来锁构图,这意味着真正的创作控制权还在上游的图像环节。五、评测失真:VBench 这类分维度打分与「这段能不能用」相关性有限,厂商 demo 一律是精选样本,所以本域几乎全部结论只能标 vendor-claim。成本与延迟量级:生成一段 5-10 秒 720p/1080p 视频通常要几十秒到几分钟排队,API 按秒计价,单条成本比图像高一到两个数量级;商用交付里重 roll 三到十次是常态,预算要按这个倍数算。

作为亚马逊联盟会员,我们可能从符合条件的购买中获得佣金。

SOTA 阶梯

Gemini Omni:视频交付单位从「一次抽卡」变成「一段可对话的编辑过程」

可灵 3.0 系列:音频原生进模型、画面到 4K,参数化镜头语言仍是它的护城河

Seedance 2.5:把视频交付单位从「一个镜头」提到「30 秒叙事」

Wan 万相:视频生成侧的开放权重基线,让整个生态能在自己机器上迭代

FLUX:把图像生成从「出图」推进到「可控编辑 + 开放权重」的那条主线