视频模型：海内外差异化竞争，已支持短片级内容创作
思瀚产业研究院    2026-03-16

DiT 成为主流架构，目前 AI 视频模型处于快速迭代期。2022 年底以 GPT 为代表的大语言模型实现关键突破，开启 AI 发展浪潮。在此背景下，AI 视频模型也迎来了快速发展，其发展历程可分为三大阶段：

1）技术架构扩散期：2014-2022 年，视频模型先后历经 GAN、Transformer、Diffussion 等技术架构迭代。2023 年 6 月，Runaway基于 Diffusion 架构推出 Gen-2，突破文生、图生视频能力，成为全球首个实现商业化的文生视频模型。

2）DiT 架构普及期：2024 年 2 月，OpenAI Sora 将 DiT 架构引入视频生成领域，验证了技术的有效性。此后，基于 DiT 架构，各大模型厂商相继发布AI 视频模型，如海外谷歌 Veo，国内快手可灵 1.0、MiniMax 海螺 1.0 等，奠定了 DiT架构的主流地位。

3）技术快速迭代期：2025 年以来，模型更新迭代速度显著加快，并实现统一多模态、音画同出、多镜头叙事等核心突破，模型生成可控性、美学风格、物理模拟等逐步提升。

参考 Artifical Analysis 视频模型排行榜，以及网页访问量数据，选取八个 AI视频模型，并按海外和国内模型进行划分。通过梳理各个模型的版本迭代细节，总结目前主流 AI 视频模型的演进趋势，以及内容生成能力所处的阶段。

1.1 海外：率先实现物理模拟、保真度等前沿突破，Veo 3 领跑全球

OpenAI Sora：确立 DiT 架构主流地位，上线应用开启 C 端尝试。1）开启 AI 视频新纪元：2024 年 2 月，OpenAI 发布 Sora 预览版，将 DiT 架构引入视频生成领域，奠定视频模型发展基础。2）已完成两个版本更新：2024 年 12 月，Sora Turbo 正式向用户开放使用，实现从预览版到商业化落地。时隔 10 个月后，Sora2 发布，单次生成时长 25 秒及原生生成分辨率准 2K，均为视频模型最高水平。

同时，在物理规律和复杂指令遵循上实现显著提升。从生成样片来看，角色复杂动作、环境或物体表面光影等生成内容都较前代模型更接近真实世界。3）布局 C 端应用：Sora2 推出的同时，面向 C 端用户推出 Sora 应用。但因应用内大多为相似的 AI 视频导致用户审美疲劳、产品定位模糊等原因，Sora 应用近期下载量、活跃用户等数据持续下滑。

谷歌 Veo：专注电影级创作控制，生成视频质量领跑全球。2024 年 5 月，谷歌发布 Veo 预览版，模型专注于电影级创作控制。此后，Veo 围绕这一核心定位完成三次更新迭代。在模型能力上，依托对电影术语的深度理解，持续优化物理真实感、镜头语言表现力、叙事连贯性等。其中，2025 年 5 月发布的 Veo3 是最早实现音画同出的视频模型，且分辨率可通过超分功能升至 4K；最新迭代版 Veo3.1 位列 LMArena 文生视频榜榜首，生成视频质量领跑全球。

在创意控制上，推出时长延长、对象增减、镜头控制等功能，使模型逐步向专业视频编辑工具演进。在产品生态上，发布面向电影制作人的 AI 电影制作工具 Flow，集成 Gemini、Imagen、Veo，提供剧本创作、角色创建、视频生成与编辑等功能。并搭建 Flow TV，提供展示和浏览生成视频的渠道。截至2025 年 10 月，Flow 累计生成视频超 2.75 亿个。

Runaway Gen：强调视频编辑能力，Gen2 为全球首个商业化文生视频模型。Runaway从视频编辑工具起家，2023 年 2 月发布 Gen-1，实现视频到视频的风格化转换，支持将提示词描述的风格应用于源视频。此后，Gen 完成四次更新迭代，始终强调视频编辑能力，于 2023 年 6 月最早推出镜头控制、动作笔刷等功能。未来，Gen 计划将已有的编辑控制功能拓展至图生视频和视频生视频领域，持续强化视频编辑优势。此外，2023 年 6 月发布的 Gen-2 是全球首个实现商业化的文生视频模型，其基于 Diffusion架构突破文生、图生视频能力，并推出订阅制+积分制的混合付费模式。

Luma Ray：构建垂类场景优势，Ray3 为全球首个原生 HDR 及推理驱动视频模型。Ray 聚焦专业影视创作场景，构建起垂类场景优势。在模型能力上，Ray3 是全球首个支持原生 HDR 的模型，且分辨率可通过超分功能升至 4K，生成视频质量达到部分影视级制作标准；同时，Ray3 也是全球首个推理驱动的模型，区别于非推理模型由提示词直接映射至像素生成，其通过提示词理解、意图推理、输出规划，实现生成视频的保真度 SOTA，更适配影视、CG 等高精度内容创作需求。在产品生态上，2024 年 11 月，Dream Machine v1 升级为 AI 多模态创作平台，完成 ios 应用开发、界面优化、Photon图像生成模型集成等迭代。平台依托多个自研多模态模型与多样化专业编辑功能，为创作者提供从生成到编辑的全流程工具。

1.2 国内：差异化突围，强化可控性、多模态交互与本土适配

快手可灵：深耕多模态及可控生成，主体一致性超 96%。2024 年 6 月，快手发布基于 DiT 架构的可灵 1.0，是全球首个用户可用的 DiT 架构视频模型。此后，可灵以2-4 个月为周期进行迭代，至今已完成 10 个版本的发布，其深耕多模态及可控生成，推动一致性持续提升。在多模态方面，可灵 2.0 提出全新的多模态视觉语言交互范式MVL，该范式将输入内容从自然语言升级为多模态视觉语言，弥补了纯文本提示词的信息短板，实现对角色、场景、镜头等内容的精准约束。在可控生成方面，模型相继推出多模态编辑、主体库、动作控制、自定义分镜等功能，通过对画面内容、角色特征、动作姿态、镜头语言等内容的精准调控，有效降低视频生成的随机性。依托多模态及可控生成能力，可灵模型主体一致性表现突出，其中可灵 o1 主体一致性超 96%。

字节 Seedance：具备原生导演级多镜头生成能力，生成可用率达到业界 SOTA。1）多镜头能力：2025 年 5 月，字节发布 Seedance 1.0 Pro，通过将文本提示拆解为专业镜头序列、跨镜头保持一致性等技术，实现 2-3 个连贯镜头的叙事生成。9 个月后发布的 Seedance 2.0 进一步提升多镜头叙事能力，通过分析叙事逻辑、自分镜和自运镜，实现原生导演级多分镜无缝生成，输出具有景别变化、机位运动、时空连贯的多镜头视频。2）全模态参考能力：Seedance 2.0 具备全模态参考功能，支持输入文本、以及最多 9 张图片、3 段视频、3 段音频作为生成参考，实现视频生成的精准可控。依托模型两大核心能力，Seedance 2.0 的视频生成可用率大幅提升，根据极客公园测算，其生成 15 秒视频的可用率或达 90%，远超此前业内均值 20%。

阿里万相：以中文创作需求为核心，最早实现音画同出、单次生成时长 15 秒。2024 年 9 月，阿里发布万相视频模型，该模型以中文创作需求为核心，针对中式元素的概念理解和生成表现力做了特别优化，擅长生成国风视频。时隔五个月后发布的万相 2.1，延续了初代模型关注中文创作的特点，为首个支持中文文字及中英文文字特效生成的视频模型。此后，万相完成三次更新迭代，实现多个国内领先的技术突破：1）万相 2.2 是业界首个使用 MoE 架构的视频模型，在同参数规模下，实现算力消耗节省约 50%；2）万相 2.5 采用原生多模态架构，是国内首个实现音画同步生成的模型；3）万相 2.6 是国内首个实现单次生成视频时长 15 秒的模型。

MiniMax 海螺：聚焦人物动作及表情表现力，推出细分场景视频模型。2024 年 8月，MiniMax 发布海螺 1.0，强调稳定的运动生成，以及细致真实的人物情感表现。此后，海螺围绕人物动作及表情表现力持续迭代，海螺 2.0 及 2.3 持续提升复杂指令遵循和复杂物理表现能力，在人物肢体动作、面部表演、微表情变化等细节的呈现中优势显著。此外，海螺针对细分场景推出专用视频模型：1）海螺 1.0-Live：专注于将静态 2D 图像转化为动态视频内容，聚焦二次元、插画风格的视频生成；2）海螺 1.0-Director：专注于镜头运动的可控生成，提供 15 种可自由组合的单一运镜。

1.3 模型已支持 L3 短片级内容创作，仍处技术快速迭代期

根据以上八个模型的版本迭代细节，总结 AI 视频模型的演进趋势，具体有以下五点：

画质与时长：从低清短片段向高清长视频演进，海外重分辨率、国内重时长。海内外主流模型均将提升分辨率、延长时长、优化画质作为迭代方向之一，并呈现海外优先突破分辨率，国内侧重拓展单次生成时长的差异化路径。具体来看：

1）原生分辨率最高为准 2K：海外模型领先，Sora2 原生分辨率最高，为准 2K；Veo3、Ray3 可通过超分功能升至 4K；Ray3 支持生成 16bit-HDR，已达电影行业对母版的精度要求。而国内模型最高支持原生 1080p。

2）单次生成时长最长为 25 秒：海外 Sora2 单次生成时长最长，达 25 秒。国内万相 2.6 最先实现单次生成 15秒，可灵 3.0、Seedance 2.0随后跟进，该时长长于除 Sora2 外的其他海外模型。同时，海内外模型均具备视频延长、拼接功能，可将时长延长至分钟级。

速度与成本：生成速度及成本持续优化，海外模型定价整体高于国内。海内外主流模型通过架构优化、发布轻量级模型等方式提升生成速度、降低生成成本，以适配C 端创作者和 B端创作团队的不同需求。具体来看：

1）生成速度提升：海内外模型均在迭代中实现不同程度的生成速度提升。如 Ray2 通过投入 10 倍于前代模型的算力，实现生成速度提升，万相 2.2 图生视频模型的生成速度提升 12 倍。

2）生成成本间接降低：一是发布轻量级模型，降低生成成本，如 Gen-4 的定价为 0.24 美元/秒，Gen4 Turbo 的定价为 0.1 美元/秒。二是新版模型在提升生成质量的同时，维持定价不变，如 Veo、万相、海螺。

3）海外模型定价整体高于国内：对比各模型最新版本的定价，以文生、无声、无参考、不含视频输入、720p 视频定价为例，海外模型定价区间为 0.1-0.5 美元/秒，国内模型定价区间为 0.4-1 元/秒。

多模态能力：输入端实现多模态混合，输出端实现音视频同出。在输入端，海内外主流模型通过创新多模态视觉语言交互范式、强化跨模态理解能力等方式，实现从仅支持文本或图像的单一模态输入，向支持文本+图片/音频/视频的多模态混合输入的升级，显著提升指令遵循、可控生成能力。在输出端，海内外模型均已实现音视频同步生成。具体来看，早在 2024 年 9 月，国内万相通过调用音频生成模型实现基础音效生成。随着多模态融合技术的成熟，2025 年 5 月，海外 Veo3 基于统一的多模态架构，率先实现原生音频与视频的同步生成，相较于早期的音频生成方式，显著提升音画同步精度。此后，国内主流模型自 2025 年 9 月起亦陆续完成音画同步生成的迭代。

可控性与适配性：从随机生成向精细化控制、专业化创作适配演进。海内外主流模型持续强化对人物、场景、镜头等创作要素的精细化控制能力，同时针对影视等专业场景进行优化，逐步适配专业创作流程。具体来看：

1）全流程可控性提升：在画面可控性上，海内外模型均实现角色、场景等的一致性提升，并围绕创作流程推出增强可控性的功能，如参考生成、镜头控制、运动笔刷等。在叙事可控性上，2025 年末起，国内万相 2.6、可灵 3.0、Seedance2.0 相继更新分镜能力，支持生成多镜头连贯叙事视频。

2）适配细分和专业领域需求：在内容生成上，海内外模型持续拓展美学风格覆盖广度，从基础风格向多元细分风格演进，满足多样化的创作需求，如 MiniMax 针对二次元、插画风格的视频生成推出海螺 1.0-Live。在专业场景适配上，Ray3 支持输出可供专业创作者编辑的 EXR 原始素材格式，直接适配后期制作。

模拟能力：从生成简单画面向精准模拟物理规律、人物动作与表情演进。海内外主流模型从最初仅能实现基础的画面与动作生成，逐步向遵循物理规律、还原复杂人物动作与微表情升级，生成内容的保真度与合理性大幅提升。具体来看：

1）遵循真实物理规律：以 Sora 为例，根据 APIYI 数据，Sora2 的物理规律合规率为 88%，相较于前代模型 41%提升超一倍；人物行走、动态水流、烟雾扩散等具体情景的物理规律合规率相较于前代模型均实现提升。

2）还原人物动作与表情：以海螺为例，得益于模型在复杂物理表现与复杂指令遵循的进一步增强，最新的海螺 2.3 模型可呈现出舞蹈、跳跃等更复杂的人物肢体动作，以及更真实自然的真人面部表演、微表情变化等细节。

基于“可控性、美学、物理”三大维度，评价模型内容生成能力。AIGC 内容创作分级标准可依据可控性、美学风格、物理模拟三大维度，将 AIGC 内容创作划分为五个级别，用于评价视频模型的能力等级。级别越高，代表模型支持生成的视频质量越高、时长越长。L1 级至 L5 级覆盖从基础素材到专业影视内容，即 L1 对应 5-10 秒的单镜头和分镜素材，L2 对应数十秒的短视频片段，L3 对应数分钟、带叙事结构的短片，L4对应 20 分钟以上的中长完整剧情视频，L5 对应消费级影视内容。

AI 视频模型目前已支持 L3 短片级内容创作，并部分满足 L4 长片级标准。基于AIGC 内容分级标准，并结合上文总结的目前 AI 视频模型的五大演进趋势，我们认为，目前 AI 视频模型已支持 L3 短片级内容创作。即：1）在可控性方面，达到角色形象、口型、动作基本可控，且拥有平移、垂直、推进等基础运镜；2）在美学风格方面，支持写实、电影、动漫等多种风格；3）在物理模拟方面，可对基础物理规律进行模拟，且可呈现常规动作和连续复合动作。此外，模型已部分满足 L4 长片级内容创作的标准，如实现多主体参考、影视级运镜控制等。

更多行业研究分析请参考思瀚产业研究院官网，同时思瀚产业研究院亦提供行研报告、可研报告（立项审批备案、银行贷款、投资决策、集团上会）、产业规划、园区规划、商业计划书（股权融资、招商合资、内部决策）、专项调研、建筑设计、境外投资报告等相关咨询服务方案。