大洋彼岸，Sora的到來，似乎讓AI有了睜眼看世界的可能。在官方表述中，Sora被稱為“世界模擬器”：它理解真實的規(guī)則，并在此基礎上生成“世界”。如果說從前還是一道銅墻鐵壁，那么現(xiàn)在，虛擬與真實可能僅一線之隔。大家都不想做創(chuàng)建虛構的玩具，而是想成為生成世界的“造夢機”。Sora之后，它的挑戰(zhàn)者們前赴后繼。

6月，視頻生成大模型迎來又一輪新品爆發(fā)，生成式AI賽道像是“過年了”?？焓挚伸`、Luma AI以及Runway迭代更新后的Gen-3 Alpha等現(xiàn)象級爆款不斷涌現(xiàn)。其中，討論度最高的是快手自研視頻生成大模型“可靈”，全面對標Sora。

《每日經濟新聞》記者將OpenAI官方公布的5條Sora視頻提示詞投喂給可靈，對其文生成視頻的能力進行測試，同時從動態(tài)、視效、細節(jié)、場景等多維度表現(xiàn)進行結果比對和關聯(lián)。

每經記者從五大場景全面評測Sora和快手可靈

測試和觀察后發(fā)現(xiàn)，雖然在部分維度Sora仍然領先，且可靈由于尚處開放初期，上線功能相對單一，生成存在一定限制，但幾乎可以判斷，國產視頻生成大模型已經上升到了一個新的高度。

國金證券互聯(lián)網傳媒首席分析師在接受記者采訪時表示，拋開技術，快手“可靈”已經實現(xiàn)一部分絕對真實世界觀的數(shù)據(jù)支持，AI對不同世界觀的快速理解以及在視頻上的反應，“這是我認為不可思議的”。

可靈，靈嗎？

Sora之后，國內視頻生成大模型不斷推出。

今年以來，快手先后發(fā)布1750億參數(shù)規(guī)模的通用大語言模型“快意”和文生圖大模型產品“可圖”。視頻生成大模型可靈則在6月被推出，快手方面稱，可靈能夠生成大幅度的合理運動，模擬物理世界特性，生成的視頻分辨率達1080p，時長最長可達2分鐘。圖生視頻功能后續(xù)開放。

《每日經濟新聞》記者選取了OpenAI官方公布的5條Sora視頻提示詞（東京街頭的女士、太空人、無人機視角的海岸、3D動畫的小怪物、云端讀書的年輕人）測試可靈。同時比對生成視頻進行效果測試，從“畫面呈現(xiàn)”“功能與體驗”兩大維度下的多個具體表現(xiàn)進行總結。

在畫面呈現(xiàn)上：

1、動態(tài)效果?？伸`的“鏡頭”普遍為前后向邏輯推進，Sora則更豐富。在“海浪撞擊懸崖的無人機視圖”一項，Sora畫面的聚焦點在提示詞中“有燈塔的小島”，對整個環(huán)境進行環(huán)視，重點突出?？伸`的鏡頭前后推進，小島被設置在畫面的最遠端，沒有重點突出小島。不過，Sora和可靈對海浪的運動軌跡描述都很準確。

2、視覺效果。這一項上，Sora和可靈表現(xiàn)都較為優(yōu)秀。特別是在“東京街頭的女士”視頻畫面呈現(xiàn)上，無論是對霓虹燈色彩的展示，還是潮濕地面反光的呈現(xiàn)，兩個模型的畫面光影表達都很準確。

3、細節(jié)表現(xiàn)。記者重點關注到二者對人的五官的呈現(xiàn)。Sora的刻畫更細致，特別是人在動態(tài)場景下，五官沒有變形，幾乎是相對靜態(tài)的?？伸`在動態(tài)場景下，人的五官有所變形，會隨著畫面鏡頭的推進、人的動作而扭曲。

但在“3D動畫的小怪物”生成上，可靈的細節(jié)表現(xiàn)與Sora差別不大，特別是對小怪物蓬松毛發(fā)特性的捕捉和呈現(xiàn)上，很精準也很細致。

4、連貫性和流暢度。Sora和可靈的畫面表現(xiàn)均連貫、流暢，但稍有不同的是，對復雜場景的描述，Sora明顯更優(yōu)。特別是在“太空人”的畫面生成上，可靈的畫面只給出了太空人的正面特寫，但Sora呈現(xiàn)了遠近景的切換，添加了更多輔助元素，如飛船等。

在功能和體驗上，Sora與可靈視頻生成的風格都更偏向模擬真實世界的場景。無論是科幻場景、自然風光、超自然畫面、3D動畫等都更加側重寫實的風格。

在不同場景的適配上，Sora的能力似乎更勝一籌。在對“云端上讀書的年輕人”的畫面生成上，可靈的貼圖感更重，素材間的融合度不高。語義的理解上，Sora和可靈都較為準確，特別是對提示詞中不同主體的捕捉，都比較完整。

不過，需要注意的是，可靈目前生成的視頻長度均為5秒，與Sora的10至20秒相比，前者在復雜場景的敘述處理上會呈現(xiàn)一定的局限性。上線初期的可靈，功能較單一，風格切換等有局限性。

此外，記者也在體驗時發(fā)現(xiàn)，在一些視頻生成時，“可靈”也會“失靈”。例如，彈吉他的熊貓擁有人類的手指；提示詞中“淺綠色的布藝沙發(fā)”，到了視頻中呈現(xiàn)的則是紅棕色的皮質沙發(fā)。同時，在一些視頻中，當有多個主體時，有時也會出現(xiàn)一些元素無法完全呈現(xiàn)在視頻中的情況。

而在生成“10歲小女孩在羽毛球場比賽”時，小女孩手里的羽毛球拍變成了網球拍，且只有乒乓球拍大小，羽毛球也變成了網球。可見，實際生成視頻時，可靈有時存在一些較大的偏差。

值得注意的是，上述可靈視頻由記者測試生成，不同版本視頻可能存在差異。而目前Sora仍未開放，所生成視頻均為官方發(fā)布的版本，待Sora開放測試后，用戶實際測試效果或許與官方發(fā)布視頻也有差異。

可靈一號難求？Sora技術架構路線可以被復現(xiàn)

“肯定是超出預期的，而且最先推出來比肩Sora的是快手團隊，還挺意外?！倍辔辉诨ヂ?lián)網行業(yè)深耕多年的資深行業(yè)人士、資深產業(yè)分析師在接受記者采訪時坦言。

隨著快手“可靈”正式開放內測，社交平臺上，已有不少博主、創(chuàng)作者分享自己使用“可靈”的體驗，國外創(chuàng)作者們也是各種求內測。雖然目前內測只能生成5秒視頻，但已經有不少體驗者通過多個視頻組合成短片，不少網友笑稱“壓力給到了抖音剪映”。

早在2024年初，快手就啟動了新AI戰(zhàn)略，在最近幾次財報電話會議上，快手聯(lián)合創(chuàng)始人兼首席執(zhí)行官程一笑也頻頻談及快手自研大模型的研究及應用進展。不過，在很多人看來，快手更側重于短視頻和社交內容，而非專業(yè)的視頻剪輯工具。此前的大模型競爭中，快手也并不是引人關注的第一梯隊成員。

此前，快手推出的通用大語言模型“快意”以及文生圖大模型產品“可圖”，在市場的關注度和影響力均相對有限。如今，“可靈”的出現(xiàn)，讓國內大模型賽道看到了對標Sora“彎道超車”的可能。

《每日經濟新聞》記者了解到，在架構選擇方面，可靈整體框架采用了類似Sora的DiT結構，用Transformer代替了傳統(tǒng)擴散模型中基于卷積網絡的U-Net。同時，在此基礎上，快手大模型團隊還對模型中的隱空間編/解碼、時序建模等模塊進行了升維。

在陳澤敏看來，拋開技術，快手“可靈”已經實現(xiàn)一部分絕對真實世界觀的數(shù)據(jù)支持，AI對不同世界觀的快速理解以及在視頻上的反應，“這是我認為不可思議的”。

在互聯(lián)網產業(yè)深耕多年的某頭部游戲公司高管認為，或許抖音未來也會推出類似的文生視頻模型，但目前“可靈”的推出，最大的意義在于，它證明Sora的技術架構路線是可以被復現(xiàn)的，并且依托短視頻平臺的海量、優(yōu)質過往數(shù)據(jù)，是可以后來居上的。同時，也說明之前Sora出現(xiàn)時業(yè)內對它“真實世界模擬器”的評價可能過高。

相關研報指出，目前，國內大語言及多模態(tài)大模型正持續(xù)追趕海外主流大模型，模型能力逐步提升，帶動下游應用發(fā)展。過去幾個月，國內頭部應用總訪問量與海外頭部應用總訪問量差距逐漸縮小，看好未來國內應用快速增長的趨勢。

雖然“可靈”搶跑為快手在文生視頻賽道開了一個好頭，但這條道路要持續(xù)走下去，仍需要很大投入。

“未來如果‘可靈’能夠延長到完整的15秒，并擁有連貫、不拖影、多元世界觀融合的高質量視頻，那一定會對短視頻的生產方式帶來變化，越來越多的創(chuàng)作者或許將被取代，但好內容的價值也會更高?！标悵擅舾嬖V記者。