智東西
作者 三北
編輯 漠影

春節(jié)后的AI視頻賽道，熱鬧得有點(diǎn)不像話。

前幾周，字節(jié)Seedance2.0剛在全球開發(fā)者社區(qū)刷了一波屏，引得不少海外網(wǎng)友注冊(cè)中國(guó)手機(jī)號(hào)來(lái)體驗(yàn)。熱度還沒(méi)退，另一支在海外頗有名氣的國(guó)產(chǎn)力量已經(jīng)悄悄在權(quán)威榜單上插上了旗。

2月26日，全球權(quán)威AI評(píng)估機(jī)構(gòu)Artificial Analysis更新了文生視頻/圖生視頻模型排行榜。國(guó)內(nèi)頭部AI視頻生成企業(yè)愛詩(shī)科技旗下的PixVerse V5.6位列全球第二，把國(guó)產(chǎn)模型的“寫實(shí)能力”推上新高度。

▲Artificial Analysis文生視頻全球排行榜

▲Artificial Analysis圖生視頻全球排行榜

這并不是PixVerse第一次沖上高位。熟悉這個(gè)榜單的人可能知道，2025年8月PixVerse V5上線十天時(shí)，就拿過(guò)圖生視頻全球Top1、文生視頻全球Top2。

而在V5.6之外，愛詩(shī)科技在1月發(fā)布的全球首個(gè)通用實(shí)時(shí)世界模型PixVerse R1，則試圖把旗幟插得更遠(yuǎn)，從“生成視頻”邁向AI教母李飛飛口中的“生成世界”新高地，引起了開發(fā)者的體驗(yàn)熱潮。

“視頻生成+世界模型”雙線作戰(zhàn)，已成為國(guó)產(chǎn)AI視頻發(fā)展的新形勢(shì)。中國(guó)團(tuán)隊(duì)正在從追趕者變成前沿戰(zhàn)場(chǎng)的牌桌玩家。

一、全球第二背后：PixVerse V5.6靠“超寫實(shí)”突圍

先看硬數(shù)據(jù)。

Artificial Analysis的排名以盲測(cè)為核心指標(biāo)，不拼參數(shù)量、不拼算力堆砌，只拼最終生成的視頻效果。PixVerse V5.6在“極致寫實(shí)能力”維度上得分極高——尤其是光影質(zhì)感與物理規(guī)律還原度，讓它在與Veo、Sora、Kling等全球頂尖模型的盲測(cè)對(duì)比中殺出重圍。

▲PixVerse V5.6在光影質(zhì)感與物理規(guī)律還原度方面較強(qiáng)

但這只是結(jié)果。真正讓創(chuàng)作者買單的，是上手體驗(yàn)。

我們拿PixVerse V5.6做了一系列測(cè)試，專挑那些“讓AI視頻模型翻車”的高難度場(chǎng)景。以下是幾個(gè)最有代表性的案例拆解。

案例一：夕陽(yáng)下的玻璃幕墻倒影

這是對(duì)光影處理能力的測(cè)試，玻璃幕墻既是反射面又是透光面，需要在倒影和透射之間找到精確平衡。生成視頻中，人物貼近玻璃時(shí)，面部與晚霞的反射亮度略低于實(shí)體，且隨鏡頭推近保持比例一致，沒(méi)有出現(xiàn)常見的“反射滯后”或“反射變形”。

V5.6對(duì)膚色過(guò)渡的處理自然，沒(méi)有出現(xiàn)橙色溢出或高光死白的問(wèn)題，鼻梁與臉頰的微小光斑隨鏡頭推進(jìn)平滑移動(dòng)。慢推鏡頭過(guò)程中，人物五官穩(wěn)定，背景建筑未出現(xiàn)結(jié)構(gòu)抖動(dòng)。這說(shuō)明其在時(shí)間一致性與空間建模上已經(jīng)較成熟。

提示詞：一位身穿白色連衣裙的亞洲女性站在城市高空玻璃幕墻前，夕陽(yáng)的余暉灑在玻璃上，反射出暖橙色的光芒。她輕輕將手掌貼在玻璃上，玻璃上映出她清晰的面容和身后的晚霞。鏡頭緩慢推近，聚焦她眼中倒映的城市輪廓。4K，電影感光影，皮膚質(zhì)感細(xì)膩。

案例二：篝火旁的神話戰(zhàn)士

這個(gè)案例的核心挑戰(zhàn)在于“金屬材質(zhì)+動(dòng)態(tài)光源+微表情”的多重復(fù)雜度。在生成視頻中，鎧甲表面反射隨火焰跳動(dòng)產(chǎn)生細(xì)微光斑變化，銅劍呈現(xiàn)出舊金屬的低反射質(zhì)感，而非統(tǒng)一高亮。

戰(zhàn)士凝視銅劍時(shí)，瞳孔反射火焰跳動(dòng)，面部肌肉有輕微緊繃變化，沒(méi)有“僵臉”或貼圖感。這類動(dòng)態(tài)光源下的微表情保持，是當(dāng)前高端模型的重要分水嶺。

提示詞： 一位身披金屬鎧甲的古希臘戰(zhàn)士坐在夜晚的篝火旁，火焰跳躍，照亮他棱角分明的臉龐和鎧甲的凹凸紋理。他低頭凝視手中的古老銅劍，劍身映出跳動(dòng)的火焰。背景是黑暗的森林，火星隨風(fēng)飄向夜空。特寫鏡頭從火焰切換到戰(zhàn)士的眼睛，瞳孔中倒映著篝火。

案例三：冰雪女王施法瞬間

這是對(duì)“粒子系統(tǒng)+物理交互+環(huán)境反射”的綜合考驗(yàn)。從生成視頻可見，冰晶風(fēng)暴旋轉(zhuǎn)時(shí)，光線通過(guò)冰晶時(shí)產(chǎn)生輕微色散，雪花運(yùn)動(dòng)軌跡隨機(jī)自然，沒(méi)有“統(tǒng)一下落”的程序感。裙擺與發(fā)絲隨風(fēng)運(yùn)動(dòng)方向一致，風(fēng)暴圍繞人物旋轉(zhuǎn)時(shí)沒(méi)有穿模現(xiàn)象。

提示詞：一位穿著冰藍(lán)色長(zhǎng)裙的銀發(fā)女子站在冰封的湖面上，雙手抬起，掌心凝聚出旋轉(zhuǎn)的冰晶風(fēng)暴。雪花圍繞她飛舞，她的長(zhǎng)發(fā)和裙擺隨風(fēng)飄動(dòng)。背景是極光和雪山，冰面反射出她的身影和極光。鏡頭圍繞她旋轉(zhuǎn)，捕捉冰晶在陽(yáng)光下折射的七彩光芒。

案例四：雙胞胎姐妹爭(zhēng)執(zhí)

“音畫同出”是PixVerse V5.6的核心賣點(diǎn)之一，而這個(gè)案例把難度拉滿——兩個(gè)長(zhǎng)相一模一樣的人，需要從表情、眼神、微動(dòng)作上區(qū)分出不同的性格和情緒。

V5.6生成的畫面中，姐姐說(shuō)話時(shí)眉頭微蹙，眼神帶著責(zé)備；妹妹回應(yīng)時(shí)眼神下垂，嘴角有輕微的下撇。兩個(gè)“同一張臉”被賦予了完全不同的情緒表達(dá)?？谛团c音頻的同步精度達(dá)到毫秒級(jí)，“不告訴媽媽”和“知道真相”的唇齒接觸清晰可辨。這說(shuō)明V5.6在音畫同步與人物驅(qū)動(dòng)方面已達(dá)到“可交付級(jí)”。

提示詞：一對(duì)長(zhǎng)相一模一樣的雙胞胎姐妹面對(duì)面站在陽(yáng)光明媚的客廳里。左邊穿藍(lán)色連衣裙的姐姐生氣地說(shuō)：“你明明答應(yīng)過(guò)不告訴媽媽的！”右邊穿粉色連衣裙的妹妹委屈地低下頭，小聲回應(yīng)：“可是我覺(jué)得她應(yīng)該知道真相?！辩R頭在兩人之間緩慢切換，捕捉她們說(shuō)話時(shí)完全同步的口型和細(xì)微的表情差異。4K，自然光，皮膚質(zhì)感真實(shí)。

案例五：沙漠騎馬狂奔

“遠(yuǎn)景+大動(dòng)作”是考驗(yàn)?zāi)Ｐ头直媛属敯粜院蛣?dòng)態(tài)一致性的經(jīng)典場(chǎng)景。從極遠(yuǎn)景到近景的快速推鏡，需要模型在不同尺度下保持人物五官的清晰度和一致性。

V5.6生成的畫面中，遠(yuǎn)景推近時(shí)，騎手面部清晰度逐步提升，沒(méi)有“糊臉”。馬匹奔跑步態(tài)連貫，揚(yáng)沙軌跡符合動(dòng)量邏輯。強(qiáng)逆光下人物輪廓光明顯，但面部細(xì)節(jié)仍保留，沒(méi)有一片死黑。

提示詞：遠(yuǎn)景：一位身著阿拉伯白袍的騎手騎著黑色駿馬在廣闊的金色沙漠中疾馳，馬蹄揚(yáng)起漫天黃沙。鏡頭從極遠(yuǎn)的距離快速推近，逐漸看清騎手被風(fēng)沙吹拂的面容和飄揚(yáng)的頭巾。他用力拉緊韁繩，馬匹前蹄騰空，發(fā)出嘶鳴。夕陽(yáng)在他身后形成巨大的光暈。4K，電影質(zhì)感。

從以上五個(gè)案例可以看到，PixVerse V5.6在多個(gè)維度上都達(dá)到了新的高度：

光影與物理規(guī)律一致性：無(wú)論是玻璃幕墻前的夕陽(yáng)臉頰、篝火的動(dòng)態(tài)光照，還是冰晶的折射反射，V5.6都表現(xiàn)出對(duì)物理世界的深刻理解。

復(fù)雜運(yùn)動(dòng)場(chǎng)景穩(wěn)定性：騎馬狂奔、跑酷翻騰、雙人對(duì)話——這些曾經(jīng)讓AI視頻模型“翻車”的高難度場(chǎng)景，V5.6都能保持人物五官和動(dòng)作的連貫性。

鏡頭調(diào)度敘事能力：雙胞胎爭(zhēng)執(zhí)的表情差異化、從遠(yuǎn)景到近景的快速推鏡——V5.6開始具備“鏡頭語(yǔ)言”的理解能力，不再是簡(jiǎn)單的文本映射。

音畫同步進(jìn)入“可交付級(jí)”：口型與音頻的毫秒級(jí)對(duì)齊，情緒與語(yǔ)音的自然匹配。即使是多人對(duì)話的復(fù)雜場(chǎng)景，V5.6看起來(lái)也具備了商業(yè)落地的可能性。

可以說(shuō)，V5.6不是音畫同出的“開創(chuàng)者”，但它是目前市面上把“自然度”和“穩(wěn)定性”平衡得最好的之一。

二、R1新野望：布局世界模型，從“視頻工具”到“可玩現(xiàn)實(shí)”

如果說(shuō)V5.6解決的是“當(dāng)下可用”，那愛詩(shī)科技1月發(fā)布的PixVerse R1，賭的是“未來(lái)可能”。

1月發(fā)布的PixVerse R1號(hào)稱全球首個(gè)通用實(shí)時(shí)世界模型。早期內(nèi)測(cè)畫質(zhì)僅540P，但交互方式極具顛覆性——你在下面打字，它在上面實(shí)時(shí)生成畫面、推進(jìn)劇情、切換鏡頭，仿佛為你造了一個(gè)世界；2月11日，R1迎來(lái)重大更新：支持720P高清實(shí)時(shí)生成、音頻同步生成、UGC社區(qū)上線、API開放。

為了直觀感受R1的能力邊界，我們結(jié)合兩個(gè)體驗(yàn)案例進(jìn)行拆解。

案例一：火星基地日常

R1生成的畫面中，連續(xù)場(chǎng)景切換中，火星基地風(fēng)格保持統(tǒng)一。氣閘艙的金屬質(zhì)感、氣壓讀數(shù)、頭盔霧氣、植物、觀測(cè)臺(tái)等細(xì)節(jié)都準(zhǔn)確到位。多區(qū)域跳轉(zhuǎn)時(shí)人物位置連續(xù)，沒(méi)有“重置感”。

最關(guān)鍵的是，這一切都是實(shí)時(shí)生成的。當(dāng)我在輸入“推開植物艙門”后，畫面在1-2秒內(nèi)切換到一個(gè)全新的、但與前序場(chǎng)景在空間邏輯上連貫的場(chǎng)景。這種“可探索世界”的體驗(yàn)，已經(jīng)超越了傳統(tǒng)的視頻生成，更像是“可玩的現(xiàn)實(shí)”。

提示詞（實(shí)時(shí)交互）：

[開場(chǎng)] 你是一名火星基地的宇航員，結(jié)束艙外作業(yè)，進(jìn)入氣閘艙。關(guān)閉厚重艙門，氣壓讀數(shù)上升。摘下頭盔，汗水順著臉頰滑落，深吸一口循環(huán)空氣中的金屬味。

[走進(jìn)生活艙] 綠色植物在LED燈下生長(zhǎng)，跑步機(jī)靠墻，舷窗外紅色荒漠延伸至地平線。坐到電腦前，敲下：“第287天，一切正常?！?/p>

[推開植物艙門] 濕潤(rùn)的熱浪撲面而來(lái)。番茄藤爬滿支架，LED燈光閃爍，自動(dòng)灌溉系統(tǒng)發(fā)出輕微的嘶嘶聲。

[爬上觀測(cè)臺(tái)] 進(jìn)入穹頂觀測(cè)臺(tái)。360度全景玻璃外，火星星空璀璨奪目，火衛(wèi)一正快速劃過(guò)天際。

[進(jìn)入休息艙] 穿過(guò)走廊進(jìn)入休息艙。窄小的床鋪，墻上貼著家人的照片。躺下時(shí)，飛船金屬骨架發(fā)出熟悉的吱呀聲。

案例二：夢(mèng)境碎片生成器

這是對(duì)“實(shí)時(shí)生成+創(chuàng)意自由”的測(cè)試。夢(mèng)境場(chǎng)景本身沒(méi)有物理邏輯約束，考驗(yàn)的是模型對(duì)“風(fēng)格”的理解和切換能力。不同于上一個(gè)示例采取文字生成視頻，本次我首先上傳了一張圖片作為參考。

R1生成的畫面中，從云橋→鐘表→童年臥室→深海→太空→森林→城市，每個(gè)風(fēng)格都有獨(dú)特的視覺(jué)語(yǔ)言和細(xì)節(jié)密度，風(fēng)格持續(xù)切換但人物形象保持一致。

最驚艷的是，環(huán)境響應(yīng)即時(shí)，畫面就在1-2秒內(nèi)切換到完全不同的視覺(jué)風(fēng)格。當(dāng)夢(mèng)境疊加時(shí)，大海倒懸天空、城市漂浮云層等復(fù)雜組合仍保持視覺(jué)可讀性。這些超現(xiàn)實(shí)畫面的融合處理，需要模型理解不同場(chǎng)景的空間關(guān)系和視覺(jué)層次。

提示詞（實(shí)時(shí)交互版）：

[開場(chǎng)] 你是一個(gè)穿著泡泡袖睡衣的12歲小女孩，身在夢(mèng)境，萬(wàn)物流動(dòng)變幻。腳下是一座漂浮在云海上的透明橋，云朵翻涌。你緩步前行，橋身隨著腳步輕輕晃動(dòng)。

[遇見巨鐘] 前方出現(xiàn)巨大的復(fù)古鐘表，懸在虛空中。指針逆時(shí)針飛轉(zhuǎn)，發(fā)出刺耳的滴答聲。周圍的光線隨著指針倒流，色彩褪去又重現(xiàn)。

[觸碰鐘面] 你伸手觸碰鐘面，指尖傳來(lái)冰涼觸感。場(chǎng)景瞬間扭曲坍縮，下一秒你已站在童年臥室里——墻上的貼紙、窗外的老槐樹，一切如昨。

[默念“大海”] 你閉上眼默念“大?！保瑘?chǎng)景如水墨般化開。轉(zhuǎn)眼沉入蔚藍(lán)深海，發(fā)光的魚群環(huán)繞游弋。陽(yáng)光透過(guò)海面灑下?lián)u曳光斑，你漂浮在溫暖洋流中。

[默念“太空”] 身體瞬間失重飄起。腳下是蔚藍(lán)地球，星辰在黑暗中閃爍。空間站緩緩旋轉(zhuǎn)，你伸手抓住飄過(guò)的宇航員頭盔。

[默念“森林”] 腳下生出青苔與蕨類。巨樹參天，發(fā)光的蘑菇照亮小徑。遠(yuǎn)處傳來(lái)鹿鳴，薄霧在林間流動(dòng)，精靈般的螢火蟲圍繞著你。

[默念“城市”] 鋼鐵森林拔地而起。霓虹燈在雨夜中閃爍，全息廣告牌變幻。你站在天橋上，看無(wú)數(shù)個(gè)自己在人群中穿行。

[覺(jué)醒時(shí)刻] 所有夢(mèng)境開始重疊——大海倒懸天空，城市漂浮云層，童年房間的門通向太空。你知道即將醒來(lái)，卻舍不得離開這個(gè)自己創(chuàng)造的世界。

值得一提的是，R1核心驅(qū)動(dòng)力，源自其底層自研的Omni原生多模態(tài)大模型。該模型將文本、圖像、音頻、視頻統(tǒng)一為連續(xù)Token流，實(shí)現(xiàn)端到端生成物理邏輯一致、感官協(xié)同的動(dòng)態(tài)世界。

換句話說(shuō)，模型不是先有視頻后配音頻，也不是先有畫面后加交互，而是從一開始就把所有模態(tài)看作一個(gè)整體，在生成過(guò)程中實(shí)現(xiàn)多模態(tài)的協(xié)同進(jìn)化。這種技術(shù)思路，比傳統(tǒng)的“視頻生成+后處理”路線更接近真正的“世界模型”。

正如愛詩(shī)官方所說(shuō)：從“AI視頻工具”邁向“可玩現(xiàn)實(shí)平臺(tái)”，PixVerse正推動(dòng)AIGC從單向內(nèi)容消費(fèi)，走向雙向共創(chuàng)與沉浸交互的新階段。隨著社區(qū)機(jī)制、開放接口和高清實(shí)時(shí)的逐步落地，一個(gè)由用戶共建、共享、共玩的AI世界正在加速到來(lái)。

結(jié)語(yǔ)：面向世界模型，國(guó)產(chǎn)AI視頻廠商開辟“雙線作戰(zhàn)”

站在2026年初回望，AI視頻生成領(lǐng)域正在進(jìn)入關(guān)鍵節(jié)點(diǎn)。從Seedance 2.0靠生成質(zhì)量提升火出圈，到PixVerse發(fā)布首個(gè)全球?qū)崟r(shí)生成世界模型，我們正在見證一個(gè)新時(shí)代的開啟。

競(jìng)爭(zhēng)愈演愈烈，愛詩(shī)科技用PixVerse V5.6和R1給出了自己的答案：雙線作戰(zhàn)，當(dāng)下與未來(lái)兩手抓。一條線是用V5.6這樣的成熟模型，在全球榜單上卡位；另一條線是用R1這樣的前沿探索，卡位下一代交互范式。這一切正在被市場(chǎng)驗(yàn)證。PixVerse自2024年1月正式上線以來(lái)，國(guó)內(nèi)版產(chǎn)品為拍我AI，截至2025年8月全球用戶量已超1億。

從Seedance2.0到PixVerse V5.6，國(guó)產(chǎn)AI視頻玩家正在集體卡位全球第一梯隊(duì)。如果說(shuō)Seedance2.0代表的是國(guó)產(chǎn)AI視頻的“熱度”，那PixVerse V5.6的持續(xù)登頂證明的是國(guó)產(chǎn)AI視頻的“厚度”，國(guó)產(chǎn)AI視頻產(chǎn)業(yè)正在系統(tǒng)性崛起。