剛剛，全球視頻模型新王誕生了！

來自天工AI的SkyReels-V4，沒打招呼，直接登頂Artificial Analysis文轉(zhuǎn)視頻（含音頻）全球榜，超越Veo 3.1、Sora 2。

一個(gè)月前，其Preview版本才剛拿下該榜全球第2。

沒想到這才過去沒多久，升級版的SkyReels-V4就直接沖到前排了。（os：好好好，既然這么猛，咱可不得去試試~）

輾轉(zhuǎn)拿到內(nèi)測資格后，我最大的感受是：

從第2到第1，這次升級絕非小修小補(bǔ)，而是一次整體能力的躍升。（只需看一眼榜單上的其他選手，你就明白這句話的含金量了）

你敢信，AI漫短劇這種當(dāng)下爆火的搞錢項(xiàng)目，也能一次直出了??？

視頻地址：https://mp.weixin.qq.com/s/_4j0p7deva234SpJPnoCng

這也意味著，這次登頂背后最重要的不是分?jǐn)?shù)變化，而是SkyReels-V4進(jìn)一步把視頻生成推到了一個(gè)新階段——

從“生成片段”，走向可控、連續(xù)的完整視頻生產(chǎn)（注意是生產(chǎn)?。?。

時(shí)隔一月，SkyReels-V4再進(jìn)化！

怎么說呢，如果用兩個(gè)短語來形容SkyReels-V4這一個(gè)月以來的變化，那便是：

上限更高、能力更全。

從全球第2到全球第1，短短一個(gè)月時(shí)間，SkyReels-V4便把自己的上限又拔高了一截。

不過，比起證明自己“能飛多高”，這一次升級更重要的意義還在于——證明了自己“能飛得更穩(wěn)、更久”。

相比之前，SkyReels-V4這次迎來了兩大核心升級：

• 全模態(tài)強(qiáng)化學(xué)習(xí)體系全面升級
• 新增關(guān)鍵幀參考與網(wǎng)格參考能力

按下具體內(nèi)容不表，這兩大升級本質(zhì)上是在講一件事：

視頻能不能同時(shí)滿足既好看，又講得通，還能按你的想法來。

先說第一個(gè)——全面升級后的全模態(tài)強(qiáng)化學(xué)習(xí)體系如何讓視頻“講得通”。

假設(shè)AI拿到的提示詞是：一位演員在雨中奔跑，情緒從緊張到釋然，最后停下抬頭微笑。

過去模型大概率會(huì)出現(xiàn)前后情緒不連貫、動(dòng)作跳躍等明顯不合邏輯的問題，但這次V4的變化在于——

它不再只是機(jī)械地按照提示詞“拼畫面”，而是開始理解整個(gè)過程的邏輯。

為了實(shí)現(xiàn)“講得通”這一點(diǎn)，天工AI有兩個(gè)動(dòng)作：

一是搭建全模態(tài)語義Reward模型，給模型一個(gè)“全局評判標(biāo)準(zhǔn)”，告訴模型不要只看單幀好不好，還要看整段視頻是否合理。

二是采用階梯式課程強(qiáng)化學(xué)習(xí)路徑，讓模型從分辨率與時(shí)長、任務(wù)復(fù)雜度、數(shù)據(jù)難度三個(gè)維度，由簡入繁掌握復(fù)雜能力。比如先學(xué)拍5秒的靜物，再學(xué)拍10秒的走路，最后才學(xué)拍15秒的復(fù)雜劇情。

聽起來可能有點(diǎn)晦澀，別急，咱直接上視頻。

最近“龍蝦”不是很火嘛，所以我們就讓SkyReels-V4生成了一段《龍蝦軍團(tuán)占領(lǐng)你的電腦》的故事情節(jié)。

視頻地址：https://mp.weixin.qq.com/s/_4j0p7deva234SpJPnoCng

瞅瞅這最后的黑屏和配音，你就說留給人的想象空間大不大吧（doge）。

而且畫質(zhì)和時(shí)長都來到了電影級的1080p、15秒，音效還是自帶的那種，誰看了不說夯??？

當(dāng)然說回“懂邏輯”這件事上，咱還得對照原版提示詞細(xì)細(xì)比對一下：

提示詞：龍蝦軍團(tuán)占領(lǐng)電腦（電影級短片）
[鏡頭1 特寫] 黑暗中，無數(shù)鼓脹的黑色眼睛瞬間睜開，瞳孔反射霓虹光，內(nèi)部翻涌液態(tài)金屬紅光。鏡頭推向其中一只眼睛深處——倒映著你的電腦桌面圖標(biāo)。音效：次聲波嗡鳴+蝦殼摩擦的咔噠聲。
[鏡頭2 微距] 一只披掛賽博格裝甲的波士頓龍蝦，用機(jī)械強(qiáng)化的巨螯精準(zhǔn)撬開電腦機(jī)箱縫隙。裝甲上刻滿流動(dòng)藍(lán)色數(shù)據(jù)能量的符文。音效：金屬回音的咔嚓聲+高壓電流滋滋聲。
[鏡頭3 主觀視角] 從機(jī)箱內(nèi)向外看——電容電阻構(gòu)成摩天大樓森林，微型閃電在主板上噼啪作響。音效：金屬質(zhì)感的城市環(huán)境音+詭異的電子電流交響樂。
[鏡頭4 廣角] 成千上萬龍蝦士兵如赤色潮水涌入硬盤，機(jī)械裝甲與顯卡背板碰撞濺出火星。巨大的指揮官龍蝦端坐CPU核心，甲殼上實(shí)時(shí)投影你的屏幕內(nèi)容。音效：金屬碰撞聲+整齊行軍咔嚓聲+蝦殼戰(zhàn)鼓聲。指揮官發(fā)出超聲波鳴叫，所有聲音戛然而止，只剩風(fēng)扇呼嘯和你的心跳。
[鏡頭5 特寫] 顯示器上，無數(shù)微型龍蝦蠕動(dòng)著排列成血紅色字幕："SURRENDER YOUR FILES." 死寂3秒后，所有系統(tǒng)警報(bào)同時(shí)炸響，畫面黑屏，只剩尖銳蜂鳴音。

由于提示詞采用了分鏡+音效這種高級技巧（純純讓AI幫忙寫的hhh），結(jié)果大家也都看到了：

SkyReels-V4基本把“鼓脹的黑色眼睛瞬間睜開”、“賽博龍蝦用巨螯精準(zhǔn)撬開電腦機(jī)箱縫隙”、“成千上萬龍蝦士兵如赤色潮水涌入硬盤”這些情節(jié)都get到了，整個(gè)畫面銜接和音畫搭配也令人通體舒暢。

再說第二個(gè)——兩個(gè)全新功能如何讓模型的生成過程更可控，“按你想的來”。

“關(guān)鍵幀參考”想必大家都不陌生，畢竟目前市面上很多視頻模型也會(huì)提供首幀、尾幀參考這樣的類似功能。

而SkyReels-V4的特殊之處在于——以量取勝。

就是說，你現(xiàn)在可以給AI提供很多張關(guān)鍵幀，關(guān)鍵轉(zhuǎn)折全聽你的，其他中間畫面全都靠模型自動(dòng)補(bǔ)全。

具體打開方式be like（以下均選自官方demo）：

• 視頻開始于一名身著正裝的男子在廢棄樓道里巡邏，他的左邊有一條黃色流浪狗；隨后他蹲下來給流浪狗喂食；隨后鏡頭切換至@圖片-1，流浪狗聞了聞食物，然后試圖咬男子的手；隨后鏡頭切換至@圖片-2，男子受到驚嚇；隨后鏡頭切換至@圖片-3，男子蹲了下來；最后鏡頭切換至@圖片-4，男子伸手撫摸了流浪狗的頭。

幾張關(guān)鍵幀圖片分別如下：

然后啪的一下，一個(gè)融合所有關(guān)鍵幀的視頻片段就這樣水靈靈地誕生了：

視頻地址：https://mp.weixin.qq.com/s/_4j0p7deva234SpJPnoCng

而“網(wǎng)格參考”就更加一目了然了，這個(gè)功能基本就是為短劇（含AI漫短劇）量身定制的。

用戶一次可上傳至多9張劇情關(guān)鍵幀，模型會(huì)穩(wěn)定提取并保留角色特征與場景風(fēng)格，然后生成邏輯完整、角色與場景全程連貫的敘事視頻。

• 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。

和“關(guān)鍵幀參考”強(qiáng)調(diào)控制劇情節(jié)奏和動(dòng)作連貫性相比，這個(gè)功能主要用于鎖定角色一致性和視覺風(fēng)格。

換言之，前者側(cè)重理解圖片的時(shí)序關(guān)系，后者主要抓圖片的共同特征。

瞅瞅下面這個(gè)新鮮出爐的視頻，不說還真以為是哪部動(dòng)漫里的片段呢~

視頻地址：https://mp.weixin.qq.com/s/_4j0p7deva234SpJPnoCng

最終，如果將上述升級放在一起來看——

當(dāng)模型變得既懂邏輯、又更加可控的時(shí)候，視頻生成的分水嶺，無疑便悄然出現(xiàn)了。

因?yàn)閺倪@一刻起，視頻生成不再是“隨緣抽卡”，而是可以拆解、可以設(shè)計(jì)、可以穩(wěn)定復(fù)現(xiàn)的創(chuàng)作流程。

從“生成”到“生產(chǎn)”，一字之差，拉開的卻是視頻工業(yè)化時(shí)代的序幕。

以及需要提醒，這次的SkyReels-V4或許還不是最終版本。

因?yàn)閾?jù)小道消息，SkyReels-V4要到月底的中關(guān)村論壇年會(huì)期間，才會(huì)正式發(fā)布。

只能說，按照天工AI這位“卷王”的速度，到時(shí)候能拿出什么來，還真不好說。

從技術(shù)到應(yīng)用，齊活了！

再說視頻生成工業(yè)化這件事。

聽名字你就知道這是個(gè)大工程了，所以咱們單講某個(gè)模型肯定是不夠的。

而天工AI更是早就意識到了這一點(diǎn)——與其追逐一時(shí)的能力堆疊，不如提前把整套體系搭起來。

所以我們現(xiàn)在回頭看，會(huì)發(fā)現(xiàn)他們其實(shí)一直在做一件事：

從單點(diǎn)生成能力出發(fā)，一路打通多模態(tài)，再延伸到完整內(nèi)容生產(chǎn)鏈路，把工業(yè)化所需的“地基”一點(diǎn)點(diǎn)鋪好。

而SkyReels-V4，恰好是這套體系的一次集中展示。

從底層技術(shù)開始，SkyReels-V4的設(shè)計(jì)思路就很清晰——不是“疊能力”，而是“做統(tǒng)一”。

只需看一眼技術(shù)報(bào)告中提到的幾個(gè)核心賣點(diǎn)，你就明白了。

其中，自研對稱雙流MMDiT架構(gòu)，從底層就把音、視頻焊在了一起；全模態(tài)參考，則把文本、圖像、視頻、音頻、遮罩等所有輸入形式統(tǒng)一到一個(gè)框架下處理。

這意味著什么？以前需要多個(gè)模型接力、多次手動(dòng)對齊的活兒，現(xiàn)在一次生成、全搞定，工程復(fù)雜度大大降低。

再疊加對清晰度、幀率、時(shí)長的整體提升，以及本次升級對邏輯和可控性的全面補(bǔ)強(qiáng)，視頻生成邁入生產(chǎn)級落地的條件便逐漸成熟——

此時(shí)，視頻輸出不再是零散片段，而是更接近可以直接使用的完整內(nèi)容。

而當(dāng)技術(shù)和模型都做好準(zhǔn)備之后，這套完整視頻創(chuàng)作能力的“最佳試驗(yàn)場”也已經(jīng)出現(xiàn)了——短劇。

相信最近一陣大家看了很多“xx小團(tuán)隊(duì)用AI制作短劇一夜走紅、一夜暴富”的故事，雖然聽著玄乎，但仔細(xì)想想，短劇確實(shí)是非常適合AI落地的場景。

一方面，短劇天然契合“高頻、標(biāo)準(zhǔn)化”的內(nèi)容生產(chǎn)邏輯。

它更新節(jié)奏快、集數(shù)多、時(shí)長短，對產(chǎn)能要求極高——本質(zhì)上采用的是一種高度流水線化的生產(chǎn)模式。

而AI擅長的，恰恰是把這類可拆解、可復(fù)用的流程規(guī)模化放大。從劇本、分鏡到畫面生成，每一個(gè)環(huán)節(jié)都可以被標(biāo)準(zhǔn)化處理、批量產(chǎn)出。

另一方面，短劇對視頻質(zhì)量的需求，剛好卡在AI能力的舒適區(qū)。

它不追求電影級的極致質(zhì)感，但對劇情連貫性、角色一致性和整體觀感有明確要求——只要“順、穩(wěn)、不出戲”，就已經(jīng)足夠成立。

而且相比真人拍攝，AI在控制成本、快速迭代上的優(yōu)勢，還在這里被進(jìn)一步放大了。

總之用AI搞短劇的優(yōu)勢還是很明顯的，也正因此，天工AI也把SkyReels-V4應(yīng)用在了自家短劇平臺(tái)——DramaWave（江湖外號“AI版Netflix”）身上。

作為2024年10月上線的海外付費(fèi)短劇平臺(tái)，DramaWave當(dāng)前月活已突破8000萬。

這一成績也從側(cè)面表明，在用AI實(shí)現(xiàn)短劇工業(yè)化量產(chǎn)的這條路上，他們已經(jīng)跑通了從技術(shù)→產(chǎn)品→商業(yè)化的完整閉環(huán)。

當(dāng)然，也不止是短劇。

當(dāng)?shù)讓幽芰Ρ唤y(tǒng)一之后，這套生產(chǎn)方式毫無疑問是可以被復(fù)用的——

無論是游戲過場動(dòng)畫、音樂視頻，還是更廣義的內(nèi)容生態(tài)，都可以共享同一套視頻生成底座。

換句話說，在用SkyReels-V4干點(diǎn)什么這件事上，短劇只是起點(diǎn)。

“龍蝦”當(dāng)?shù)?，為什么還有人死磕視頻？

但把視角拉回當(dāng)下，這次SkyReels-V4的登頂，本身就挺耐人尋味。

畢竟很多人看到這則消息，第一反應(yīng)估計(jì)都和我一樣：

第一眼，噢不是“龍蝦”；第二眼，嗯？竟然不是“龍蝦”？

那么問題來了——為什么在“龍蝦”占據(jù)當(dāng)前敘事中心的階段，還有人盯著視頻不放？

只能說，越是在這種時(shí)候，反而更容易看清一件事：

一家公司的重心在哪里，以及它真正想做的，又是什么。

而對天工AI而言，這些問題的答案其實(shí)一直很清晰——

不追逐一時(shí)的熱點(diǎn)，重點(diǎn)圍繞“原生多模態(tài)”，把底層能力一層一層搭起來。

• 早期從文生圖、圖生圖起步，先把畫面生成質(zhì)量和指令對齊能力做到位；
• 然后通過推出SkyReels系列，把相關(guān)能力從“靜態(tài)”推進(jìn)到“動(dòng)態(tài)”，做文生視頻、圖生視頻；
• 再慢慢把聲音補(bǔ)進(jìn)來，旗下自研音樂模型Mureka系列讓多模態(tài)不再只有“看”，也能開始“聽”。

再然后，這條路徑也開始從“疊buff”，轉(zhuǎn)向“融合大一統(tǒng)”。

從天工AI最新發(fā)布的SkyReels-V3、SkyReels-V4身上，我們就已經(jīng)看到了這種多模態(tài)融合趨勢——

音畫是同步生成的、多模態(tài)條件可以被統(tǒng)一接入、生成和編輯修復(fù)被統(tǒng)一進(jìn)同一套架構(gòu)里。

到了這時(shí)，“多模態(tài)”便成了一套可用、可復(fù)用、可規(guī)?；幕A(chǔ)設(shè)施。

△圖片由AI生成

而且，如果把視角再拉開一點(diǎn)，我們會(huì)發(fā)現(xiàn)這條“線”已經(jīng)慢慢鋪成了一個(gè)“面”。

從底層技術(shù)→模型→產(chǎn)品商業(yè)化落地，天工AI已經(jīng)靠多模態(tài)搭建起了一套完整、可循環(huán)的AI體系。

就以前面提到的DramaWave為例，短劇的視頻可以從SkyReels-V4來、各種配樂可以從Mureka平臺(tái)調(diào)……所有需要的東西都能在自家生態(tài)里一站式解決。

更重要的是，商業(yè)化帶來的不僅是收入，也在持續(xù)反哺研發(fā)；而用戶的點(diǎn)擊、停留與付費(fèi)行為，則不斷回流為反饋數(shù)據(jù)，驅(qū)動(dòng)模型與生產(chǎn)流程迭代，最終形成一個(gè)持續(xù)自我強(qiáng)化的正向循環(huán)。

所以，如果回到開頭的問題，對天工AI而言答案就是如此easy——

真正的多模態(tài)時(shí)代，從來不只是一種單一能力的勝出，而是圖像、視頻、音頻乃至交互方式的整體協(xié)同。

SkyReels-V4的登頂只是其中一環(huán)，從All in AGI與AIGC開始，昆侖萬維就認(rèn)準(zhǔn)了“原生多模態(tài)”這件事，后來的每一步都是在補(bǔ)一個(gè)個(gè)能力缺口。

最終，所有的一切都將沉淀為一套可復(fù)用的底層基礎(chǔ)設(shè)施，并在其之上持續(xù)“開花結(jié)果”。

也正是在這樣的路徑之下，很多事情注定不會(huì)一蹴而就，也未必總在聚光燈下。

只能說，熱鬧之外，總有人正在把一件更底層、更長期的事情，一點(diǎn)點(diǎn)做成。

榜單地址：https://artificialanalysis.ai/video/leaderboard/text-to-video?audio-output=true
API地址：https://www.skyreels.ai/api-platform
論文地址：https://arxiv.org/abs/2602.21818