国产视频大模型卷出「新高度」，支持 1 分钟 1080P 超长视频生成

支持1分钟、1080P分辨率的超长视频生成。

国产视频大模型再次卷出「新高度」。

前脚快手可灵升级完 1.5 模型，后脚字节就正式进军视频生成。

几乎同一时间，美图公司也突然宣布，自家的奇想大模型（）视频生成能力已完成全面升级。

具体而言，它不仅单次文生视频时长、单次图生视频时长均达 5 秒，还支持 1 分钟、帧率 24FPS、分辨率 1080P 的超长视频生成。

而更让人惊喜的，则是它超强的风格化。

比如，写实风格的熊猫，坐在墙根上弹着吉他：

动画风格的酷女孩，戴着墨镜，边走边喝咖啡：

卡通风格的大黑牛骑着心爱的小摩托狂飙：

毛毡风格的农夫和小兔：

在海里潜水的呆萌小企鹅：

还有最惊艳的中国风。一位古风美女，忽闪着俩大眼睛，眉一挑，手一摊，脸上露出骄傲不屑的神情。

目前，美图奇想大模型全新视频生成能力已在MOKI上线，后续将逐步覆盖到美图秀秀、美颜相机、Wink、开拍、美图设计室、WHEE等产品。

接下来，我们将从写实、动画、国风、风格化、人像等维度，对它来一个全方位的测评。

写实风格：重现真实物理规律

AI 生成写实视频时，经常会遇到肢体变形、动作卡顿等问题，而美图的奇想大模型在复杂 3D 时空精准重构基础上，视频生成能够重现真实物理规律，支持大幅度流畅运动。

例如，这段 Sora 的经典 ，就是对大幅度流畅运动的考验：

一辆白色的越野 SUV，疾驰在蜿蜒的崎岖山路上，周围是郁郁葱葱的灌木丛。

奇想大模型不仅完美遵循文字指令，还体现出诸多小细节：通过车后泛起的尘土体现越野车的速度，逆光拍摄时画面出现的光斑等。

再比如，：稳定拍摄的运动镜头，在户外的一只棕色皮毛的小松鼠，从画面的右边一路向右边跳跃，动作敏捷。

这只身手矫健的松鼠，前肢抬起，后肢发力，腾空跳跃，四只爪子配合协调，尾巴随之摇晃，触碰到的树叶也会弹动。

倒牛奶是一个包含复杂物理交互和视觉细节的场景。

我们输入 ：一只手平稳地将银色水罐中的牛奶倒入透明高脚杯中。

奇想大模型正确模拟了牛奶从容器中倒出、流动和最终落入杯中的过程。动作在时间上保持连贯，牛奶的流动没有出现突然的中断或不自然的加速，并且正确模拟出液面的上升和下降。

再来看看这段玫瑰花蕾盛开的延时摄影。

花朵开放有一定生物学规律，并且需要理解和表现出延时摄影被压缩的时间感。奇想大模型生成的视频，不仅真实，还捕捉到动态的花瓣伸展的细节。

下面这段万马奔腾的航拍镜头也相当震撼。

：航拍镜头，从空中俯瞰到一群活力四射的骏马在一片辽阔的大地上飞驰而过，鬃毛和马尾随风飘扬。

近 20 匹毛色各异的骏马，驰骋在一望无际的草原上，它们四蹄翻飞，鬃毛和尾巴随风飘扬，还展现出优美的肌肉线条。

即使是多主体、大幅度运动，奇想模型生成的画面仍表现稳定，几乎无虚化扭曲。

我们继续输入 : 一只戴着红项圈的橙色虎斑猫坐在床上，正看着熟睡在蓝白条纹羽绒被下的女生。

奇想大模型生成的画质清晰，猫咪毛发透着光泽，胡须根根分明，女主人手指也没有明显的 bug，甚至它还生成了人物由于侧躺产生的脖颈上的皱纹。

随着镜头缓慢推进，猫咪转过脑袋，项圈上的金属环也随之摆动，其动作自然连贯。

除了运动流畅外，奇想大模型还能进行复杂的语义理解。

比如 ：静态广角镜头，在一个日常生活的家中，一只棕色的小狗坐在扫地机器人上随着它移动，在家中打扫卫生。

在这段文字指令中，既有镜头的要求，还有主体、动作以及场景的限制。奇想大模型均 get 到了。

在这个低机位广角镜头中，一只小狗坐在工作着的扫地机器人上，左瞅瞅右看看。

镜头随着扫地机器人的运行轨迹而移动，扫摄到房间里的沙发腿、略显杂乱的飘窗等，要不是画面开始右上角人物的脚有些别扭，真以为是实拍。

不得不说，奇想大模型对于动物的神态和动作，捕捉得也相当到位。

这只变色龙的特写镜头中，其眼珠转动，嘴巴微张，以此来体现其警惕的神态，而且变色龙颗粒状、粗糙的皮肤也生成得很逼真。

（：特写镜头，一只身上有绿棕色条纹的变色龙栖息在一根树枝上，它的目光充满警觉性，盯着镜头。）

梅花鹿竖起的耳朵，然后突然转身离开的神态，简直复刻出真实小鹿的反应。

（：寒冷的冬天，一只鹿站在结霜的田野里，远处有蓝天、枯树和山脉，四周很宁静，鹿的皮毛上沾满了雪，它竖起了耳朵警觉地凝视前方，接着转身向田野远方走去。）

动画风格：拥有超强艺术审美

众所周知，制作一部精美的动画，那是相当费时费力，即使是宫崎骏这样的大师，也不例外。

《你想活出怎样的人生》耗费 7 年之久，《起风了》打磨了 2 年，仅关东大地震的 4 秒镜头，宫崎骏就「死磕」了 1 年零 3 个月。

不过有了 AI，大部分的「体力活」都可以被自动化。

就拿奇想大模型来说，曾经一个团队需要吭哧吭哧干几个月的活儿，现如今，只需上传一张图片，或者输入一段提示词，它几分钟就搞定。

例如，我们输入提示词：动画风格，一个小男孩和一个小女孩正坐在树下吃西瓜。

奇想大模型生成的视频中，两个小孩眨着大眼睛，脸上带着天真无邪的笑容。

他们捧着半拉西瓜，红色的果肉在阳光下显得格外诱人，还有西瓜籽点缀其间。画风温馨治愈，极具美感。

再如，手拿面包的小女孩，竟有了一种宫崎骏的感觉。

小女孩拿起一块面包，然后将其丢到另一只手上，虽然动作幅度较大，但画面并没有崩坏。

我们还上传了一张图片，并输入提示词：公交车在乡间小路上行驶。

随着公交车的前行，镜头开始轻微晃动，模拟着跟拍的效果。

为了营造出乡间小路的坑坑洼洼，奇想大模型还让公交车呈现出颠簸的效果。

还有火车在白雪皑皑的林海中穿行：

一艘小船驶向岸边：

小狗在家门口「汪汪」直叫，然后撒腿就跑：

国风：最懂「中国味」

要说奇想大模型最拿手的，非国风莫属。

先给大家看两组镜头：

（动图来自《白蛇・缘起》）

猜猜哪个是奇想大模型生成的？答案是：第一个。

要想有地道的「中国味」，AI 需要理解中国传统文化的元素和美学。

奇想大模型生成的国风动画中，女孩身着中国传统服饰、梳着结鬟式发髻，身后古朴的木屋也有着中国独特的韵味。

同时，它对于细节的处理也相当精细，人物表情灵动，服饰纹理细腻，甚至还能模拟出光照和色彩的自然过渡。

而在国风人物群像中，奇想大模型表现也很出彩。

主角表情变化自然，先是表情严肃，微微转动眼珠，继而嘴角挤出一抹神似华妃的「皮笑肉不笑」，肢体动作也很流畅。

身后的配角们模样各异，虽无较大动作，但眨巴着眼睛，也相当逼真。

此外，奇想大模型还可以生成水墨动画。

画面中，山间云雾缭绕，瀑布从山崖飞流直下，清流激湍，身穿飘逸长袍的侠客站在岩石上潇洒转身，动作丝毫不僵硬。

风格化：追求极致细节

凭借在影像领域的长期深耕，美图在风格化方面有着得天独厚的优势，实现了在艺术风格、细腻画风、细节把控之间的高度平衡，具备强大的风格泛化力与兼具艺术审美的视觉表现力。

比如毛毡风格，丧眉耷眼的小浣熊，摇头晃脑地自说自话，背景自然虚化，但隐约能看到满树桃花随风晃动。

要知道，不少 AI 视频模型在模拟毛毡的视觉效果时，对于纹理和光影效果的处理稍显欠缺，而奇想大模型生成的视频，画质清晰稳定，毛绒感细腻。

即使画面出现多个主体，也能实现风格的整体统一，哈巴狗和后面的小动物们，反应各异，但动态效果流畅连贯，并未出现视觉上的跳跃感。

再来个粘土风格。

晃晃悠悠的镜头中，胡子拉碴的大叔独自坐在小屋里弹吉他。

衣服的褶皱，屋顶垂下来的电灯，墙上挂的画框和杂物，以及窗台上的绿植，都生成得极具美感，尤其是那把吉他，非常逼真。

不过，唯一美中不足的，就是拨弦时手部稍显扭曲。

人像风格：极具电影质感

美图的奇想大模型还能根据文本或图像，生成逼真的人像视频，这为影视制作、广告创意、时尚行业以及多媒体艺术创作打开了一扇新的大门。

在奇想大模型生成的正面人像视频中，戴着牛仔帽的两个男子坐在车里盯着镜头，身体随着汽车的颠簸而晃动。

车窗外，景色不断变换，行道树向后退去，整个镜头很有电影感。

梦幻般的森林中，一道道柔和的光线从树缝中洒下，俊男美女站在光束下深情拥抱，周围落叶纷飞。

整个场景如同一幅精美的油画，光影、色彩、动静结合得恰到好处，很是唯美。

为了在视频生成领域一鸣惊人，美图公司一直在悄悄努力。

去年 6 月，美图奇想大模型上线，经过一年时间的迭代，目前已更新至 V5 版本，并升级为 与 模型结合的全新技术路线，采用 DiT 视频生成架构。

在新的技术路线下，相较业界先头兵，美图奇想大模型选择优先攻克更具挑战性的问题。

此次升级，该模型在技术层面上解决了主体一致性、运动连贯性、物理逻辑合理性等视频生成能力落地的核心问题，并逐步嵌入多款产品中。

看完以上这 5 大维度、30 段绝美实测视频，大家觉得美图奇想大模型实力咋样？评论区畅所欲言吧。

© THE END