视频生成模型演进：从性能狂飙到产品化与专业化新阶段

近一年来，视频生成模型如雨后春笋般涌现，几乎每周都有新品发布，持续突破基准纪录：生成长度增加、物理模拟更真实、角色与镜头一致性更高。我们已经习惯了模型性能的飞速提升与不断超越。

然而，今年的节奏发生了变化。如果密切关注基准测试，你可能会感到“进步”速度放缓：主流模型已能生成10-15秒带同步音频的视频，效果令人震撼，但也不再让人感到新奇。

这并非坏事。在A16Z合伙人贾斯汀·摩尔看来，我们正迈入一个崭新阶段：视频模型的“产品时代”。

简而言之，视频模型的进步不再单纯体现在参数规模或基准分数上，而是转向多样化和专业化。例如，我们开始目睹不同模型在特定能力上取得突破：物理引擎模拟、卡通风格渲染、多镜头剪辑……没有一个模型能够“包揽一切”，但每个都在某个维度上变得更加精通。

同时，更大的机遇从模型本身转向“围绕模型”的产品构建：那些简化创作流程、抽象复杂操作的工具，正变得比模型核心更有价值。

今天，让我们跟随贾斯汀·摩尔的视角，回顾视频模型在过去一年的演变。

01

视频领域不存在最强模型

过去几年，各大扩散模型实验室频频推出性能更强的新版本，在各类测试榜单上不断刷新成绩。人们逐渐形成一个共识：终将出现一个“全能模型”，在所有视频生成任务中表现卓越，成为行业默认标准。

但这个假设近期被打破。上个月发布的Sora 2，在LMarena等测试中甚至不及Veo 3，表现不增反降。许多人开始质疑，扩散模型的技术进步是否开始放缓。所谓“最强模型”的概念，在视频领域或许根本不存在。

实际上，大语言模型也经历过类似路径。2023至2025年，主流模型性能持续攀升，随后在各种评测中逐渐趋于平稳。进入这个阶段后，各家研究机构将重心转向具体场景和垂直领域，而非单纯追求更高分数。同时，基于这些模型的AI产品也加速落地。

回顾过去，视频模型在公开测试上进展放缓其实可以理解。过去几年，它们在“真实感”上取得巨大飞跃，如今许多生成视频已极为逼真。到了这个阶段，再追求“更真实”变得异常困难，因为它几乎与现实难以区分。

这如同17、18世纪的油画大师们，已能绘制接近照片的肖像和风景。那时人们不再争论谁更写实，而是开始关注作品风格与审美取向。

如果“更真实”不再是模型的优势所在，接下来会发生什么？我们可能看到更多风格化、专业化的模型涌现。每个模型不再追求通用性，而是各具专长。资源丰富，选择也多样化。视频生成，正步入一个“百花齐放”的新时期。

02

视频模型价值开始分化

在探讨模型日益“专业化”之前，先简要回顾历史。

2024年初，我曾撰文指出，当时的视频生成技术仍很原始。别说一分钟，连生成3～4秒的稳定片段都极具挑战。物理效果时常出错，例如人物会突然“融合”到地板中，篮球以诡异轨迹弹跳，却能奇迹般入网。

那时我说：距离AI制作出皮克斯级别短片，还有漫长道路。而现在，一切已然改变。

谷歌推出Veo模型，直接登顶多个排行榜；OpenAI正以30人团队、3000万美元预算，制作一部完整的AI动画长片（虽非完全由模型生成，但依然是一次飞跃）。如今，视频长度更长，物理细节更真实。篮球从篮板反弹再落地？已成为标配。

不过，尽管整体水平提升，我们也观察到另一趋势：模型正变得专注，各有特长。

原因很简单，没有一款模型能满足所有用户需求，例如有的团队专注于提速和成本控制；有的专精后处理阶段，使模型在特定场景表现突出。

例如：

Veo 3：最擅长物理细节、复杂动作，音画同步也最优

Sora 2：能依据一句话生成有趣的多镜头视频，仿佛协助“拍摄短剧”

Wan：开源模型，支持多种风格化插件（LoRA），适合定制风格

Grok：速度快、成本低，特别适合动画内容

Seedance Pro：可一次性生成多镜头结构

Hedra：长时间对话类视频表现最稳定

以Veo和Sora为例，两者均强大，但方向迥异。

Sora适合创作趣味内容，比如用一句话生成“霍金打篮球”视频，或将你与朋友嵌入某部电影。它更像一位“故事导演”，适合普通用户和迷因创作者。但它在物理表现、音视频同步方面仍不够稳定，常出现嘴型不匹配、声音延迟等问题。

相较之下，Veo更“专业”。它缺乏幽默感，需要更清晰的指令，但其动作、镜头、音画同步更精准，更适合内容创作者、影视工作者等对质量要求高的用户。

这种“专业化”趋势也推动了整个生态链发展。如Fal、Replicate等AI视频云平台，已托管数十种模型，供用户按需选择。Krea这类编辑工具，则提供中心平台，让用户能与多个模型交互，并建立自身工作流程。

当然，一些大公司仍在努力追求“万能型模型”，即那种无所不能、表现顶尖的“上帝视角”模型。我们自然希望它早日出现。但在此之前，不同模型在不同场景中“各显其能”，已是一个非常现实且值得期待的阶段。

03

AI视频下一个方向是更好的产品化

熟悉我的朋友都了解，我常使用各种视频和图像生成模型，尝试制作高度定制化内容。这个过程通常需要多个工具协同工作。

举例来说：如果我要制作“定制家具展示视频”，我通常会用到Ideogram、nano-banana和Veo3；若想在现有视频中添加“产品赠品”动画片段，则需依赖nano-banana、Hedra，以及一些编辑工具，如Krea和Kapwing。

这些组合工作流程相当复杂，并非每个人都有时间精力去折腾这么多工具。我们确实需要更完善的一体化产品来简化整个创作过程。当前模型能力已很强悍，但对应产品进展，仍存在许多“追赶空间”。

许多创作者正手动拼接多个模型功能，来完成模型本可自动处理的任务。

例如，要保持角色在不同镜头中一致，需在每段视频中手动调整人物形象；若想延续上一镜头结尾画面，还得导出最后一帧，作为下一段起始条件重新生成；控制镜头运动轨迹，也需先用图像模型绘制起点和终点画面，再通过其他工具“推导”中间过渡过程；甚至连制作故事板，都需依靠拼贴、截图、剪辑多个片段才能完成。

这些本可由模型自动处理的工作，如今仍依赖创作者手动拼接，正是产品体验与创作效率之间的显著断层。好消息是，一些团队已开始尝试解决这些问题。

Runway发布了一套工具，允许用户修改镜头角度、生成下一镜头、切换风格、更改天气，甚至在画面中添加或删除元素。

OpenAI的Sora Storyboard也支持更精细地控制视频中每一帧动作；而谷歌新发布的Veo 3.1，更像一次“产品更新”而非“模型升级”，它围绕音频控制和视觉控制进行了大量功能增强。

实际上，这类似我们见过的大语言模型（LLM）发展路径：即使模型性能不再飞速提升，围绕它构建实用产品的空间依然广阔。视频模型现正处于此阶段，能力不缺，缺的是易用产品。

未来，我相信我们将看到更多“小而精”的模型，专门为特定行业或场景优化，如室内设计、营销推广、动画制作等。

同时，我们也需要更强大的“创意工具包”来整合多种模态，让视频、配音、音乐等元素的生成与编辑更流畅，最终形成一套真正闭环的AI视频工作流。