機器之心原創

作者：冷貓

好玩好用的明星視頻生成產品再更新，用戶操作基礎，模型技術就不基礎。

熟悉生成領域的讀者們最近都被穀歌的一隻納米香蕉 nano-banana 刷了屏。

在圖像生成領域，納米香蕉在短期內獲得了巨量的影響力，憑著「照片變手辦」的超高真實感的創意玩法橫掃整個社交媒體，尤其觸動了毛孩子家長們的心。

在優秀的模型實力基本盤外，真正做到出圈的核心要素還得是「創意」

把自家寵物變成可愛手辦的創意玩法的徹底出圈，讓更多普通用戶意識到 AI 生成讓想象落地的能力，「這個好酷，我也想要」的心理觸發了全民 AI 創作的裂變。

不過，說到在 AI 視頻中玩創意，老玩家PixVerse（拍我 AI）上周五開始在國內開啟免費開放周，兩天內有創作者在小紅書、短視頻平台上玩 Nano banana 3D 手辦，也有創作者用 Nano banana 生圖和拍我 AI 模板結合，玩衣櫃變裝，獲得視頻號超 5000 點讚量。

在兩年前，Sora 甚至還沒有概念發布的時候，PixVerse 就已經上線了網頁端產品，上線 30 天內就實現了百萬訪問量。

如此元老級的視頻生成玩家，在「創意」上是認真的。過去那些火遍全網的神奇 AI 特效模板，都出自 PixVerse 之手。

在今年 6 月，國內版本的產品「拍我 AI」正式上線，並搭載了當時最新的 PixVerse V4.5 底模，將長期霸榜視頻生成應用榜的工具提供給期待已久的國內用戶。

當時，国产AV蜜桃网站就做了一手全方位的體驗，非常驚豔，一整個六邊形戰士。

「讓普通人感覺好玩，讓創作者感覺好用」是拍我 AI 最貼切的標簽。

如果你是普通用戶，首頁中令人眼花繚亂的當下熱門 AI 視頻模板足夠用來整活，越玩越上頭；如果你是進階創作者，文生視頻、圖生視頻、首尾幀、多主體、視頻續寫等創作工具應有盡有，完美支持天馬行空的創作思路。更值得一提的是，PixVerse（拍我 AI）早於 veo3 就推出了音頻音效和對口型等音頻相關的創作功能，實現了視頻創作的全流程閉環

PixVerse（拍我 AI）至 9 月 10 日期間生成任意視頻不消耗積分，大家可以趁機隨意嚐試爆款短視頻的創作，產生更多火爆的創意，進一步增進國內的AI視頻創作熱情。

其發布的最新的 Agent 創作助手功能，不再隻是提供「模板」，而是像一個隨身的 AI 導演：用戶隻需選擇喜歡的模板並上傳一張圖片，Agent 即可自動識別其特征，生成一段 5–30 秒的完整短片。智能體功能不僅覆蓋了目前網絡上爆火的特效和創意視頻，而且將用戶從繁雜的 Prompt 設計工作中解放，讓更多普通人加入到 AI 創作中來。

「照片變手辦」也不再是納米香蕉的標簽，国产AV蜜桃网站用這隻網紅哈基米的圖像做了智能體創作：PixVerse（拍我 AI）不僅生成了高質量的手辦尾幀圖，還生成了一個炫酷的轉場動畫。

當然，擁有這麽多有意思的玩法的平台早已受到海量用戶的認可。不久前，PixVerse（拍我 AI）的全球用戶數已躍升至破億的規模。

要想在全球範圍內獲得上億用戶的認可，能夠承接上億用戶的創作靈感，PixVerse（拍我 AI）背後的公司 —— 愛詩科技 —— 一定在技術創新上做對了些什麽。

圖生視頻榜首 PixVerse V5，更全麵的六邊形戰士

8 月 27 日，愛詩科技發布新一代自研視頻生成大模型 PixVerse V5

PixVerse V4.5 已經是一個六邊形戰士了，誰曾想 PixVerse V5 又一次把六邊形硬生生擴大了一圈。

根據權威獨立測評平台 Artificial Analysis 最新測試結果，PixVerse V5 在圖生視頻（Image to Video）項目中排名全球第一，在文生視頻（Text to Video）項目中位列同樣位居第二，在視頻生成賽道的最前列。

PixVerse V5 的核心優勢在三大方向：

智能理解：一句話生成精準視頻，指令響應更準確，生成一致性和穩定性大幅提升，創意表達更自由高效。極速生成：視頻生成速度保持在「分鍾級」提升至「秒級」的準實時生成，最快 5 秒即可生成一段高質量短片，1 分鍾生成 1080P 高清視頻。更逼真自然：通過擴大模型參數規模和高質量訓練數據，顯著提升審美、複雜動作、運動幅度和光影的還原能力，讓 AI 視頻生成更接近真實拍攝。

令人驚喜的是 PixVerse V5 的更新並沒有強調在某一個特定場景的能力提升。準確的說，PixVerse V5 版本是對前一代底模的全方位進化。從技術革新的角度，国产AV蜜桃网站來詳細探究一下這三大方向上，愛詩科技是怎麽走在時代前沿的。

統一特征空間，指令沒有溝通障礙

從用戶角度而言，一個「好用」的生成模型，首先得聽得懂訴求。當用戶和模型之間有溝通障礙時，生成質量再高的模型也很難實現用戶的目標，更難以稱得上好用。

就比如下麵這個案例：

某國內頭部產品模型生成的：「萊特兄弟的雙翼飛機進化到噴氣客機」

拍我 AI 生成的：「萊特兄弟的雙翼飛機進化到噴氣客機」

越是簡單模糊的文本指令，越是考驗模型對文本、圖像、視頻多模態數據的理解能力。愛詩科技顯然在多模態大模型領域有著深刻的積累。

国产AV蜜桃网站知道，VLM 多模態大模型，能夠同時處理和理解圖像和文本數據。以前的模型大多是「單模態」的：比如卷積神經網絡隻能看圖，語言模型隻能看文字。而 VLM 能同時理解圖像和文本，並且把兩者關聯起來，處理更加複雜的任務。而在視頻大模型中，視頻相比於圖像增添了時間維度，語義信息更豐富，更複雜。

PixVerse（拍我 AI）將不同模態數據映射到同一語義體係，讓不同模態的數據能夠在同一個語義體係下對齊和交流，在 VLM 的體係下彌合了用戶指令和生成視頻之間的語義鴻溝。

除了語義理解外，目前在視頻生成領域的最大痛點在於視頻生成的速度普遍不及預期，並且模型要實現高質量和長序列的視頻生成，對訓練數據和訓練資源的需求是巨大的。

愛詩科技在這兩大傳統痛點上持續發力，奠定了在視頻生成領域堅實的技術優勢。

擴散極致蒸餾，幾秒完成生成的準即時魔法

用過 Sora 生成過視頻的朋友們都應該很有感觸，從指令輸入到成片出現至少也要以數分鍾計算。一個慢速的生成模型非常幹擾用戶的創作思路，非常影響使用體驗，更別提連續創作了。

而生成速度這部分，是 PixVerse（拍我 AI）的傳統強項，也是其獲得全球海量 AI 創作用戶青睞的核心競爭力。

愛詩科技是業界第一個把視頻生成做到 5 秒之內的 AI 初創團隊。

在 PixVerse V4.5 的時候国产AV蜜桃网站就實測過，即使国产AV蜜桃网站將各項生成指標拉滿，平台輸出結果的時間也沒有超過 1 分鍾

對於用戶來說，如此短暫等待能夠成為「準即時」生成，完全不給使用帶來負麵影響。

為了實現超高速的視頻生成，愛詩科技對視頻擴散模型進行了大刀闊斧的改進，采用了「分數匹配蒸餾」的方式，將視頻擴散生成過程從幾十步壓縮至極少數步驟，極大的提高了模型的生成速度。

分數匹配蒸餾是一個擴散模型體係下，將擴散模型轉換為一步生成，極大地加快了生成速度並保持質量的代表性方法。最初，該方法在圖像生成領域使用。在視頻生成領域，該方法具有很大的應用潛能。

據愛詩科技技術團隊介紹，PixVerse V5 不僅采用了分布匹配損失優化模型采樣軌跡提速生成，為了保證視頻生成的質量，他們還結合了特征自約束損失，讓模型實現自我監督，以此穩定畫麵質量，實現了生成速度和生成質量之間完美的平衡。

自研生成架構，突破創造力上限的驅動力

決定了 PixVerse（拍我 AI）產品能力的核心是底模，決定了底模能力上限的是高質量的模型架構。

愛詩科技全麵采用自研的視頻生成模型，采用 DiT 架構，在模型結構設計、訓練策略等方向上進行了充分的創新工作，能夠充分激發 DiT 架構模型的生成潛力。

為了滿足讀者對領先的模型的技術細節的好奇心，機器之心特意向愛詩科技的技術團隊了解了一些他們在自研 DiT 模型的架構創新和技術細節。

簡而言之，DiT 模型將 VAE 框架之下擴散去噪中的卷積架構換成了 Transformer 架構，結合了視覺 transformer 和擴散模型的優點，利用全局注意力機製，具備可擴展性強，多模態擴展，生成質量高的優勢。

DiT 基本模型架構圖，來自論文《Scalable Diffusion Models with Transformers》

DiT 雖然效果好，但是對訓練的算力要求很高，需要有好的模型設計以及好的模型訓練策略，才能實現高質量的生成。尤其是在視頻生成領域，要采用 DiT 模型進行高質量視頻生成則更為複雜，需要在模型架構中添加時間維度。正所謂牽一發而動全身，視頻生成 DiT 模型在算力需求、數據需求、分辨率兼容等多個問題上都麵臨著不小的挑戰。

愛詩科技的技術團隊向国产AV蜜桃网站透露，PixVerse V5 在模型結構設計上有兩大亮點

Tokenizer 方麵：国产AV蜜桃网站正在訓練專用於視頻與圖像生成的 Tokenizer，在保持較高壓縮比的同時，依然能夠保證出色的重建質量與生成效果。自適應 Attention 結構（FullAttn + SparseAttn）：通過在計算量與注意力精度之間動態平衡，不僅能有效降低整體計算開銷，還能在推理速度幾乎不受影響的前提下，為模型提供更大的規模擴展（ScaleUp）空間，並顯著提升其擬合能力。

眾所周知，視頻數據相比於文本和圖像數據更為複雜和龐大，數據包含的信息量更大且更難以提取，給模型訓練提出了巨大的難題。

為了模型能夠有效學習數據集中的信息，快速實現模型收斂，實現模型性能提升，愛詩科技在模型訓練策略上下了很大功夫，PixVerse V5 在多模態訓練策略上有四大創新優勢

多模態統一表征：將文本、圖像、視頻等模態映射至同一語義空間，顯著提升模型的理解與生成精度，並加速整體收斂過程。自適應加噪去噪：在訓練過程中動態調整噪聲水平，並結合任務難度相關的損失加權機製，在不同信噪比條件下有效加速模型收斂。漸進式訓練策略：采用「由簡入繁」的訓練路徑，先進行圖像任務學習，再逐步擴展至圖像 + 視頻的聯合訓練；在聯合訓練中，從低時長到高時長、低分辨率到高分辨率逐步遞進，保證穩定收斂與性能提升。原生動態分辨率支持：模型能夠直接處理不同分辨率的圖像與視頻，無需額外的 resize 或 crop 操作；結合原生動態分辨率與絕對時間編碼機製，使其具備處理多尺度圖像及長時序視頻的能力。

另外，愛詩科技團隊透露，他們擁有領先的海量圖像和視頻數據，和高質量、高精準的精選數據，不僅能夠為模型預訓練提供了無限可能的數據分布，也在監督訓練微調（SFT）階段更上一層台階。

這些硬核的技術革新驅動著 PixVerse 模型的不斷進化，支撐著用戶生成動作自然、光影真實、物理規律準確的創意視頻，也是滿足廣告、電商、影視、教育、遊戲等場景的高標準要求的核心基本盤。

過去，在視頻生成的研究探索階段，国产AV蜜桃网站一般都在討論一些最基本的生成邏輯，包括物理效果，光影效果，動作的合理性等等。

隨著技術的不斷迭代，視頻生成已經進入了投入實際應用的新階段，而現在国产AV蜜桃网站討論的更多的是生成視頻的創意和美學範疇了。隨著 PixVerse V4.5 對各種趣味創意、光影藝術的創作、鏡頭語言的理解方麵的功能實現，国产AV蜜桃网站自然希望 PixVerse V5 在美學上能夠有一些新的理解。

愛詩科技在模型中利用高質量視頻數據和人類偏好標注，結合強化學習後訓練（RLHF），提升了文本 - 視頻對齊精度、動作自然度和美學評分。

超可愛的小貓咪舔爪爪，毛茸茸的小窩和字體設計，PixVerse V5 真的很懂可可愛愛的心頭好。

將人類的審美喜好加入到大模型訓練中，讓 AI 更懂人心，更懂審美，為打開模型生成的上限，投入 AI 藝術創作奠定了堅實的基礎。

疾速成長，領跑視頻生成馬拉鬆

愛詩科技模型發展曆程

從 2023 年 7 月開始，愛詩科技訓練視頻生成大模型，到 2025 年 8 月底發布 PixVerse V5 模型，僅有短短的兩年時間。

在這兩年期間，每隔數個月就能有一次模型的迭代，成長非常迅速。直到 2024 年底，愛詩科技發布 PixVerse App 產品，創下了全球最快的高質量視頻生成的模型紀錄，真正進入應用階段。

從 V3 一直到 V5，生成速度從 10 秒進化到 5 秒準實時，視頻生成進入了有聲時代，鏡頭語言、多主體、智能體等裏程碑式功能接連上線，這一切支撐著 PixVerse（拍我 AI）成為了全球用戶量最大的視頻生成平台。

AI 視頻生成是一場沒有終點的馬拉鬆，隻有保持高速的技術迭代、不斷刷新模型的邊界，才能始終引領行業向前。

愛詩科技創始人兼 CEO 王長虎博士在 2025 北京智源大會上表示：「視頻是最貼近用戶的內容形態。一旦視頻生成技術能夠落地，它的產品化和商業化潛力可能不亞於大語言模型。」

「去年 2024 年 10 月，国产AV蜜桃网站的 PixVerse V3 上線，這是第一次真正讓普通用戶、普通消費者用 AI 能力創造出過去無法創造出來的視頻。在我心中，這一刻才是視頻生成的『GPT 時刻』。」

愛詩科技所秉持的願景與技術理念，正是要在這條漫長而激烈的賽道上，持續釋放視頻這一最貼近用戶的內容形態的潛能，讓創造的能力真正走向每個普通人。

文中視頻鏈接：https://mp.weixin.qq.com/s/Sk5lEfj-1R5zhV6tNVPI2A