編輯｜楊文

「你是否在雪山救過一只狐貍？」

「你是那只狐貍？」

「我是那只醬板鴨！」

最近網(wǎng)上沖浪，刷到了大量「雪山救狐」的 AI 二創(chuàng)視頻。

這原本是個(gè)很老套的民間故事，樵夫大雪天救了一只快凍僵的狐貍，喂它吃的、幫它取暖，等著狐貍?cè)蘸蠡扇诵蝸韴?bào)恩。

結(jié)果網(wǎng)友拿 AI 把劇情狠狠反轉(zhuǎn)，樵夫等來的不是什么漂亮狐仙，而是當(dāng)時(shí)隨手留下的醬板鴨、核彈等離譜的東西，它們?nèi)汲闪司疑祥T來復(fù)仇。

更有人將其與近來大火的 OpenClaw（江湖俗稱「小龍蝦」）聯(lián)動(dòng)，吐槽「小龍蝦」聽不懂人話。

視頻來自視頻號(hào)博主「隨波逐流 3.0」

AI 視頻生成的門檻，已低到人人皆可玩梗的程度。

就在大家忙著整活時(shí)，一家中國公司的 AI 視頻模型卻悄悄打到了全球第一。

今年 2 月，昆侖萬維旗下 SkyReels-V4 Preview 版，在權(quán)威第三方評(píng)測平臺(tái) Artificial Analysis 的全球視頻生成排行榜中登上全球第二，超越了 OpenAI 的 Sora 2 和 Google 的 Veo 3.1。

不到一個(gè)月，SkyReels-V4 在文生視頻（帶音頻) 榜單中登頂全球第一，超越 Sora 2、Veo 3.1、Seedance 2.0 等一眾國際頂尖模型，成為全球 AI 視頻生成能力最強(qiáng)的大模型。

圖片來源：Artificial Analysis 榜單

Artificial Analysis 是目前業(yè)內(nèi)最具公信力的 AI 模型評(píng)測平臺(tái)之一，其視頻榜單采用公開競技場機(jī)制，由全球真實(shí)用戶進(jìn)行盲測對(duì)比，通過大量 Elo 積分制兩兩比較計(jì)算排名，更能反映模型在真實(shí)場景中的綜合表現(xiàn)。

據(jù)了解，SkyReels-V4 將于 3 月 27 日在中關(guān)村論壇正式亮相

• 官網(wǎng)鏈接：https://www.skyreels.ai
• API 鏈接：https://www.skyreels.ai/api-platform

出片實(shí)錄：AI 短劇的門檻又低了一截

相比于上個(gè)版本，SkyReels V4 通過全模態(tài)強(qiáng)化學(xué)習(xí)大幅提升了模型的語義理解和整體邏輯能力，并新增多幀參考與網(wǎng)格參考兩項(xiàng)高階任務(wù)，重點(diǎn)補(bǔ)強(qiáng)了角色一致性和長敘事視頻的生成穩(wěn)定性。

先來看看它的基礎(chǔ)生成能力

這段多鏡頭戰(zhàn)爭戲的提示詞比較復(fù)雜，從城市天際線的航拍俯沖，到街道上的士兵沖鋒，再到不同角色的中近景和特寫，涉及 6 個(gè)鏡頭切換。

SkyReels-V4 整體完成度蠻高，鏡頭切換很有節(jié)奏，角色能在不同景別間保持外形一致，配樂和音效也隨畫面情緒自動(dòng)適配。

下面這個(gè)賽博朋克飛船穿城的片段，需要攝像機(jī)始終鎖定飛船，模擬跟拍視角，同時(shí)還原飛船穿行于樓宇時(shí)的劇烈滾轉(zhuǎn)和藍(lán)色尾焰光暈。

這類場景對(duì)速度感和光影氛圍要求極高。生成結(jié)果中，飛船運(yùn)動(dòng)軌跡流暢，頗有科幻大片質(zhì)感。

SkyReels-V4 同樣支持首幀參考（圖生視頻）

以 Hello Kitty 滑雪為例，模型既要保持角色的標(biāo)志性外觀，又要完成 360 度空中旋轉(zhuǎn)、落地瞬間雪霧彌漫等復(fù)雜動(dòng)作序列。

總體來看，模型對(duì)首幀的錨定能力相當(dāng)穩(wěn)定，角色在整段視頻中保持連貫，未出現(xiàn)常見的「幀間漂移」，復(fù)雜動(dòng)作切換也處理得干凈。

Prompt：@圖片 - 1 中的 @Hello-Kitty 猛然蹬離雪面，沿陡坡急速滑降，粉雪在身后飛濺。鏡頭動(dòng)態(tài)跟拍，捕捉她沖上天然跳臺(tái)騰空而起。此時(shí)，慢動(dòng)作鏡頭中 @Hello-Kitty 在藍(lán)天下完成完美的 360 度空中旋轉(zhuǎn)，四肢舒展，滑雪板劃出優(yōu)美弧線。接著，鏡頭急切至低角度地面視角，@Hello-Kitty 急速下落，滑雪板深扎粉雪，激起大片雪霧幾乎遮蔽畫面。雪霧散去，@Hello-Kitty 穩(wěn)穩(wěn)站立，完美落地，身后是陽光下壯麗的連綿雪山。

AI 短劇近來炒得火熱。DataEye 數(shù)據(jù)顯示，2026 年短劇春節(jié)檔 86.7 億的總播放量中，AI 漫劇占比已接近三成，不少作品播放量突破億次。

事實(shí)上，使用 SkyReels-V4 的多圖片參考功能，上傳男女主形象并寫好提示詞，便能制作一段多鏡頭對(duì)話短劇。

Prompt：這段具有沖突感的短劇畫面展現(xiàn)了古色古香的室內(nèi)博弈。視頻建立在光影幽暗的室內(nèi)空間，中景聚焦于#演員_1，她神情局促地低頭看著手中的白瓷茶盞。在她身側(cè)，# 演員_2 側(cè)頭注視著她，背景是模糊的室內(nèi)木質(zhì)陳設(shè)，空間內(nèi)縈繞著 < bgm > 深沉壓抑且?guī)в屑贝俟狞c(diǎn)節(jié)奏的背景音樂，營造出劍拔弩張的緊張氛圍 。鏡頭隨后切換至#演員_2 的斜側(cè)面特寫，他神色冷峻，眉宇間帶著審視，語速緩慢而有力地詢問道，，緊接著補(bǔ)充問，。此時(shí)響起 < sfx > 衣物摩挲的細(xì)微聲響 。隨后視角轉(zhuǎn)向#演員_1 的面部特寫，她不安地皺起眉頭，眼神閃爍，用略帶遲疑且顫抖的聲音回答，。緊接著畫面再次切回至#演員_2，他保持靜止，用深邃的目光鎖定對(duì)方，等待其后續(xù)說明。最后鏡頭又一次轉(zhuǎn)回#演員_1 的近景，她避開了對(duì)方的視線，神情越發(fā)慌亂，小聲辯解道，，雙手因緊張而微微收緊。

藥方中的龍骨

才幾兩

好像... 好像是二兩吧

時(shí)間太久，有點(diǎn)記不清

在這段古裝戲中，男主的審問語氣和女主慌亂神情通過面部微表情和手部動(dòng)作得到細(xì)膩呈現(xiàn)，臺(tái)詞口型也完全對(duì)得上。

SkyReels-V4 還能生成多語言臺(tái)詞，英語、法語、日語乃至臺(tái)灣腔，均能駕馭。

Prompt：電影級(jí)的鏡頭語言下，場景展開于一間光影迷離、氛圍感十足的咖啡廳內(nèi)。前景中是 @演員_2 的模糊背影，中景焦點(diǎn)對(duì)準(zhǔn)了正在傾談的 @演員_1。@演員_1 眼神中流露出真誠，神情略帶疲憊地說道 。鏡頭切換至 180 度的反向角度，視角越過 @演員_1 的肩膀，清晰展現(xiàn)出 @演員_2 的面部特寫。她雙手捧著一個(gè)裝有黃色檸檬片和白吸管的透明玻璃杯，目光審視而溫柔，輕聲詢問 。緊接著，視角再次轉(zhuǎn)換切回 @演員_1 的近景，背景中虛化的咖啡廳燈光如光斑般點(diǎn)綴。他神色自若地繼續(xù)解釋，眉宇間透著一絲藝術(shù)家的矜持，。隨后，畫面再次切回反向角度的 @演員_2，她微微挑起眉毛，露出一絲意外且感興趣的神情回應(yīng)道 。整個(gè)序列通過精準(zhǔn)的正反打剪輯，捕捉了兩人細(xì)膩的情緒流。

J'ai besoin d'argent et puis de toute fa?on j'adore partir sur la route alors.

Vous jouez quoi ?

De la guitare, du synthé. J'ai fait le conservatoire. Piano.

Ah bon ?

它生成的法語版短劇片段，不僅正確執(zhí)行了正反打的鏡頭邏輯，法語臺(tái)詞的口型同步精度也超出預(yù)期。

運(yùn)動(dòng)參考測試則直接上傳一段舞蹈視頻，外加一張小男孩和白狐的圖片，讓模型把舞步遷移到兩個(gè)新角色身上。

結(jié)果顯示，動(dòng)作遷移后的視頻在關(guān)鍵動(dòng)作節(jié)點(diǎn)上與原視頻保持了同步，角色風(fēng)格遷移自然，整體運(yùn)動(dòng)節(jié)奏也沒斷裂。

此外，SkyReels-V4 還支持視頻編輯，涵蓋局部添加、區(qū)域刪除、去臺(tái)詞、去水印等常見場景。

比如從一段電影片段中移除前景人物，同時(shí)完成背景修復(fù)。在 SkyReels-V4 的處理下，被移除區(qū)域的工作臺(tái)得到了合理補(bǔ)全，沒有出現(xiàn)明顯的殘影或拼接痕跡。

Prompt：Remove the person in a brown long-sleeve shirt seated at the workbench and the person in a black t-shirt walking toward the workbench from @video_1.

多幀或網(wǎng)格圖參考是此次 SkyReels-V4 新增的能力，也是最貼近短劇工業(yè)化生產(chǎn)場景的功能。

在多幀圖參考中，上傳三張綠色幼龍與紅色火龍的劇情關(guān)鍵幀，要求模型按照?qǐng)D片順序生成。SkyReels-V4 在三個(gè)關(guān)鍵節(jié)點(diǎn)上忠實(shí)還原了圖片內(nèi)容，并自然「腦補(bǔ)」出中間的過渡畫面。

多幀圖參考。Prompt：視頻開始于一只綠色幼龍和紅色火龍?jiān)隗艋鹋詫?duì)話。隨后鏡頭切換至 @圖片 - 1，綠色幼龍從紅色火龍手中遞過一份證書；隨后鏡頭切換至 @圖片 - 2，綠色幼龍噴出火焰燒毀了證書；最后鏡頭切換至 @圖片 - 33，綠色幼龍和紅色火龍露出沮喪的表情。

或者直接上傳一張動(dòng)漫四格圖，讓 SkyReels-V4 按從上到下、從左到右的順序展開成動(dòng)畫短片。

模型對(duì)四格敘事節(jié)奏的理解準(zhǔn)確，生成的短片敘事連貫，沒有把四格簡單理解成四個(gè)孤立鏡頭的拼接。

Prompt：根據(jù) @圖片 - 1 中的動(dòng)漫情節(jié)，按從上到下、從左到右的順序自然過渡展開，生成一個(gè)動(dòng)畫短片。

技術(shù)解讀：兩大核心突破，撐起登頂?shù)讱?/strong>

SkyReels-V4 在 Preview 版基礎(chǔ)上進(jìn)行了全面升級(jí)，沿用雙流架構(gòu)解決音畫同步核心問題的同時(shí)，也帶來了兩大并行核心變革。

其一，全模態(tài)強(qiáng)化學(xué)習(xí)體系全面升級(jí)。 傳統(tǒng)擴(kuò)散模型長期存在一個(gè)行業(yè)痛點(diǎn)，重局部像素生成，輕整體語義邏輯、物理常識(shí)與敘事連貫性。針對(duì)這一問題，SkyReels-V4 搭建了一套完整的強(qiáng)化學(xué)習(xí)體系。

一方面構(gòu)建全模態(tài)語義 Reward 模型，覆蓋文生視頻、圖生視頻、視頻編輯、音視頻對(duì)齊全場景，為生成提供全局精準(zhǔn)的實(shí)時(shí)反饋；另一方面采用階梯式課程強(qiáng)化學(xué)習(xí)路徑，從分辨率與時(shí)長、任務(wù)復(fù)雜度、數(shù)據(jù)難度三個(gè)維度循序漸進(jìn)，讓模型由簡入繁掌握復(fù)雜能力，最終實(shí)現(xiàn) 1080p、15 秒商用長序列生成，以及多任務(wù)大一統(tǒng)的能力框架。

該體系還帶來了極強(qiáng)的跨任務(wù)泛化性，模型習(xí)得的視頻生成底層通用規(guī)律，可在不同任務(wù)間自由遷移。

其二，新增兩大高階參考任務(wù)。 本次升級(jí)新增關(guān)鍵幀參考與九宮格參考能力，全面提升視頻生成的穩(wěn)定性與靈活性。關(guān)鍵幀參考能力可基于用戶給定的多節(jié)點(diǎn)關(guān)鍵幀，精準(zhǔn)推演邏輯嚴(yán)密、動(dòng)作連貫的中間畫面，實(shí)現(xiàn)極強(qiáng)的時(shí)空補(bǔ)完能力；專為短劇生成打造的九宮格參考能力，支持用戶上傳至多 9 張劇情關(guān)鍵幀，模型可穩(wěn)定提取并保留角色特征與場景風(fēng)格，生成邏輯完整、角色與場景全程連貫的敘事視頻，直接解決了短劇生成中角色走形、場景跳躍的行業(yè)痛點(diǎn)。

論文地址：https://arxiv.org/pdf/2602.21818

在架構(gòu)設(shè)計(jì)上，SkyReels-V4 采用了創(chuàng)新的MMDiT結(jié)構(gòu)。該結(jié)構(gòu)包含兩個(gè)并行的分支，分別負(fù)責(zé)視頻合成與音頻生成。

為了實(shí)現(xiàn)音畫同步，模型在每個(gè) Transformer 塊中都嵌入了雙向跨注意力（Cross-Attention）機(jī)制，確保音頻特征能夠感知視覺動(dòng)態(tài)，反之亦然 。

此外，模型共享了一個(gè)基于多模態(tài)大語言模型（MLLM）的強(qiáng)力文本編碼器，使其能夠理解包括文本、參考圖、參考視頻片段在內(nèi)的極其復(fù)雜的組合指令。

技術(shù)上的另一大亮點(diǎn)，是其統(tǒng)一的通道連接（Channel Concatenation）公式。研發(fā)團(tuán)隊(duì)巧妙地將圖像轉(zhuǎn)視頻、視頻擴(kuò)展及編輯任務(wù)建模為不同配置下的「視頻補(bǔ)全」問題。通過將噪聲視頻潛向量、條件幀和二進(jìn)制掩碼在通道維度進(jìn)行拼接，模型可以在同一個(gè)界面下靈活處理多種生成工作流。

同時(shí)，模型引入了帶偏移的 3D RoPE ，不僅解決了不同時(shí)域分辨率的音視頻對(duì)齊問題，還使得模型能夠從參考視覺中進(jìn)行「上下文學(xué)習(xí)」，精準(zhǔn)捕捉人物身份特征或復(fù)雜的運(yùn)動(dòng)軌跡。

針對(duì)高分辨率長視頻生成帶來的計(jì)算挑戰(zhàn)，論文提出了一種極具工程參考價(jià)值的高效方案：基礎(chǔ)模型首先生成低分辨率的完整序列和高分辨率的關(guān)鍵幀，隨后由專門的超分辨率與幀插值模塊進(jìn)行細(xì)節(jié)重塑。該幀插值模塊引入了視頻稀疏注意力（VSA）機(jī)制，通過分級(jí)聚合時(shí)空特征，在維持硬件運(yùn)行效率的同時(shí)，將注意力計(jì)算成本降低了約 3 倍。

實(shí)驗(yàn)結(jié)果顯示，SkyReels-V4 在 Artificial Analysis Arena 等公開榜單中取得了當(dāng)前 SOTA 成績。在面向音視頻綜合素質(zhì)的 SkyReels-VABench 人類評(píng)估中，其在指令遵循能力、運(yùn)動(dòng)質(zhì)量以及多鏡頭敘事連貫性方面，甚至超越了部分知名閉源商業(yè)系統(tǒng) 。

SkyReels-V4 的成功，不僅在于電影感的畫質(zhì)呈現(xiàn)，更在于它通過統(tǒng)一的底層框架，為多模態(tài)內(nèi)容創(chuàng)作提供了一套功能全面、高度可控的生產(chǎn)工具。

結(jié)語

一個(gè)模型能打贏榜單，證明它在評(píng)測維度上足夠強(qiáng)，但能不能真正產(chǎn)業(yè)落地，取決于它是否解決了真實(shí)生產(chǎn)流程里的問題。

昆侖萬維將 SkyReels-V4 直接嵌入自己的內(nèi)容生產(chǎn)中。自 2024 年 12 月宣布 5 億美金入局海外短劇以來，僅用一年便實(shí)現(xiàn)跨越式突破。旗下付費(fèi)平臺(tái) DramaWave 與免費(fèi)平臺(tái) FreeReels 攜手站穩(wěn)海外短劇第一梯隊(duì)，MAU 突破 8000 萬，月流水超 4000 萬美金。DramaWave 平臺(tái)漫劇模塊上線數(shù)月，累計(jì)上架近千部 AI 劇，憑借千萬級(jí)月活與數(shù)百萬美金的月收入，強(qiáng)勢占據(jù)海外 AI 劇市場龍頭地位。

SkyReels-V4 的能力已覆蓋短劇、影視、廣告、數(shù)字人等主流內(nèi)容形態(tài)，統(tǒng)一的生成接口意味著同一套基礎(chǔ)設(shè)施可以服務(wù)不同的生產(chǎn)場景，無需再為每種需求單獨(dú)搭建技術(shù)棧。

從更大的視角來看，這次登頂發(fā)生的時(shí)間節(jié)點(diǎn)頗具意味。2 月 Preview 版全球第二、3 月升級(jí)版全球第一，前后不到一個(gè)月。背后的壓力不難想象，全球頭部 AI 實(shí)驗(yàn)室都在這條賽道上高強(qiáng)度投入，幾乎每隔幾周就有新模型上線刷新排行。

在這樣的節(jié)奏里，中國團(tuán)隊(duì)能以如此步頻持續(xù)推進(jìn)，本身就是一種能力的證明。

文中視頻鏈接：https://mp.weixin.qq.com/s/FxXd3Ay8NknHuDk-QbX7GA