“價(jià)格最低只有 Veo 3 的 1/9。”

作者丨郭海惟

編輯丨陳彩嫻

一個(gè)優(yōu)秀的多模態(tài)視頻生成大模型永遠(yuǎn)是一套復(fù)雜的系統(tǒng)級(jí)工程，它包括但不限于：跨模態(tài)理解與對(duì)齊能力，時(shí)序一致性的控制能力，精細(xì)化的編輯和修正能力，以及高效計(jì)算和成本控制的能力等。這讓它看起來(lái)總像是一個(gè)巨頭的游戲：字節(jié)、快手，谷歌、OpenAI，他們手握著深如湖海的現(xiàn)金，寬似江河的流量動(dòng)員能力。

不過(guò)在這條巨龍?jiān)训馁惖郎希腥齼蓚€(gè)身影站出來(lái)做點(diǎn)新東西。MiniMax大概就是其中跑得最前，聲音最響亮的團(tuán)隊(duì)之一。二十多天前，谷歌最新推出的Veo3，被許多產(chǎn)業(yè)觀察者稱作視頻生成劃時(shí)代的產(chǎn)品；而二十天后，在又一個(gè)萬(wàn)籟俱靜的618里，MiniMax發(fā)布了新一代Hailuo 02，給視頻生成大模型領(lǐng)域增添了一些實(shí)打?qū)嵉摹岸嗫旌檬　薄?/p>

Artificial Analysis視頻模型評(píng)測(cè)榜顯示，Hailuo 02視頻模型甫一推出，其ELO得分大幅度超過(guò)谷歌 Veo 3 和快手的 Kling 2.0，成為了全球排名第二的視頻生成模型。

01

讓復(fù)雜運(yùn)動(dòng)成為現(xiàn)實(shí)

一些用戶對(duì)Hailuo 02的評(píng)價(jià)是“更具電影感”，其中很重要的原因是Hailuo 02擁有了更好的復(fù)雜場(chǎng)景與運(yùn)動(dòng)呈現(xiàn)的能力，也被認(rèn)為是目前全球唯一能夠?qū)崿F(xiàn)此類(lèi)極限物理運(yùn)動(dòng)視頻效果的模型。

復(fù)雜的運(yùn)動(dòng)鏡頭，可以帶來(lái)很好的情節(jié)張力，讓觀眾迅速被鏡頭抓住而進(jìn)入場(chǎng)景，往往出現(xiàn)在電影制作中最核心的高潮情節(jié)中。但相關(guān)場(chǎng)景的生成，對(duì)于模型的時(shí)空一致性要求非常高。稍有不慎，模型很容易發(fā)生丟失細(xì)節(jié)、違反物理規(guī)律，甚至穿模的情況。

比如在“馬躍起，落地奔跑”這么一段簡(jiǎn)單的prompt測(cè)試中，模型需要讓馬和人保持一致性的身體姿態(tài)，才可以給觀眾傳達(dá)出真實(shí)感。這種一致性不是簡(jiǎn)單的姿勢(shì)同步，而是要呈現(xiàn)符合物理規(guī)律的力的傳遞中的層次感。

Hailuo 02很好地處理了每一個(gè)細(xì)節(jié)的物理關(guān)系，不僅是人與馬的姿態(tài)協(xié)同，包括馬尾、馬鬃毛和人的頭發(fā)飛揚(yáng)都很有真實(shí)感。

Hailuo 02

相比之下，對(duì)標(biāo)的測(cè)試模型便出現(xiàn)“馬淺跳，但人高飛”的情況，起跳過(guò)程也完全發(fā)生在了障礙物以外。

可靈2.1大師版

類(lèi)似的場(chǎng)景還有“hellokitty打網(wǎng)球”，大量的模型在這個(gè)prompt測(cè)試詞上翻了大車(chē)。

海螺基本能實(shí)現(xiàn)球拍與球之間的互動(dòng)：

Hailuo 02

但有些對(duì)標(biāo)測(cè)試模型則出現(xiàn)了“精靈球”的情況，有點(diǎn)像哈利波特的場(chǎng)景，球很有自己的想法：

vidu

同樣的球與拍之間出現(xiàn)了神秘磁場(chǎng)：

luma

大變活“球”：

即夢(mèng)：視頻3.0 pro

而對(duì)世界物理規(guī)律具體而微的理解，只是復(fù)雜動(dòng)作的難點(diǎn)之一。在一些快速移動(dòng)的運(yùn)動(dòng)中，往往會(huì)面臨背景的快速變化。相比于人的動(dòng)作，背景視野的大范圍移動(dòng)意味著模型優(yōu)秀的空間感知能力。

其中最典型的莫過(guò)于滑雪運(yùn)動(dòng)：鏡頭固定在快速變化的人體動(dòng)作的同時(shí)，雪景可能隨著人的拍攝角度和速度移動(dòng)而不斷遷移，場(chǎng)地本身則會(huì)隨著雪橇板的移動(dòng)而掀起雪浪、留下移動(dòng)軌跡。

Hailuo 02基本重建了滑雪場(chǎng)的環(huán)境視覺(jué)效果，滑雪板會(huì)留下仿真的雪痕，雪浪飛舞的方向與大小也隨著動(dòng)作和軌跡的變化而變化。

Hailuo 02

相比之下，同類(lèi)模型的雪道缺乏動(dòng)態(tài)，在快速移動(dòng)收尾時(shí)，雪橇板會(huì)在高速運(yùn)動(dòng)中，出現(xiàn)從雙腳“脫落”的穿?，F(xiàn)象。

可靈2.1大師版

如果你看完了以上兩段雪場(chǎng)視頻，或許會(huì)發(fā)現(xiàn)，在第二段視頻中，鏡頭其實(shí)是沒(méi)有保持一致性的。其整個(gè)5秒視頻，總計(jì)是由一段3秒和一段2秒的視頻組合起來(lái)的，畫(huà)面從近景切換到全景，從而達(dá)到某種類(lèi)似蒙太奇的視覺(jué)效果。

這其實(shí)是由于“跨幀連貫性”是長(zhǎng)期困擾視頻生成模型的痛點(diǎn)，視頻的連續(xù)畫(huà)面每增加一秒，對(duì)于時(shí)序一致性的處理難度便會(huì)幾何級(jí)地提升，更遑論保持長(zhǎng)鏡頭、高強(qiáng)度的運(yùn)動(dòng)畫(huà)面中的畫(huà)面穩(wěn)定。

這也是為何，絕大部分的大模型視頻長(zhǎng)度都被設(shè)計(jì)在10秒以內(nèi)，同時(shí)在10秒的選項(xiàng)之外，還會(huì)給出能力更穩(wěn)健、成本更友好的5秒選項(xiàng)。

但一些快速的運(yùn)動(dòng)軌跡，意味著模型必須在短時(shí)間內(nèi)產(chǎn)生大量的動(dòng)作與物體交互，這些高強(qiáng)度交互，相當(dāng)于在有限時(shí)間內(nèi)快速提高了保持視頻時(shí)序一致性的難度。因此即便一些交互看起來(lái)并不復(fù)雜，但一旦頻次超過(guò)閾值，模型也可能會(huì)擺爛。

例如在經(jīng)典的拋多個(gè)小球的雜技場(chǎng)景里，Hailuo 02演示了很穩(wěn)定的鏡頭表現(xiàn)。畫(huà)面中六個(gè)小球的大小和顏色雖然都很相似，但觀眾依然可以分辨出每一個(gè)小球的運(yùn)行軌跡，其中絕大部分的小球也在運(yùn)動(dòng)中保持了穩(wěn)定的形態(tài)。

提示詞：畫(huà)面中人物快速拋接球體，彩帶飄動(dòng)落下，人物不停拋接球體——

Hailuo 02

但在測(cè)試的對(duì)標(biāo)模型demo中，除了在一開(kāi)始沒(méi)有識(shí)別到初始圖中的“雜耍”場(chǎng)景意圖外，大量的球體和彩帶交互，也出現(xiàn)了明顯的“吞球”現(xiàn)象，不斷有球體消失和生成，場(chǎng)面顯得非?；靵y。

可靈2.1大師版

如上，優(yōu)秀的復(fù)雜運(yùn)動(dòng)鏡頭呈現(xiàn)，背后是一整套模型的體驗(yàn)優(yōu)化——它除了有強(qiáng)大的物理渲染能力外，還需要模型能夠熟悉世界的物理規(guī)律呈現(xiàn)方式，有很好的跨幀連貫性。

但相比于以上的技術(shù)優(yōu)化，模型對(duì)畫(huà)面和語(yǔ)言意圖的理解，或許是讓畫(huà)面得以更加符合觀眾直覺(jué)的更核心的能力。

如果再回到騎馬和拋接球兩個(gè)場(chǎng)景，我們會(huì)發(fā)現(xiàn)，理解第一幀畫(huà)面的意圖是整個(gè)圖生視頻中最關(guān)鍵的一環(huán)：模型需要知道，馬術(shù)前面有障礙物，其實(shí)是暗示讓馬越過(guò)障礙；而黑色領(lǐng)結(jié)+白色T恤的拋接球者，很可能是暗示雜技表演的場(chǎng)景。

除了畫(huà)面理解外，大模型對(duì)動(dòng)作的理解也需要更加符合人類(lèi)的直覺(jué)。以一個(gè)很簡(jiǎn)單的測(cè)試prompt詞，“運(yùn)動(dòng)幅度，中等”。中等是個(gè)模糊的概念，不同模型對(duì)“中等”的理解不盡相同，Hailuo 02 基本能做到脖子等大關(guān)節(jié)的移動(dòng)，基本符合人對(duì)畫(huà)面與prompt的直覺(jué)。

而在對(duì)標(biāo)測(cè)試模型中，一些模型則出現(xiàn)了只有臉部活動(dòng)的情況，顯然與人類(lèi)直覺(jué)并不匹配。

vidu

或者只搖動(dòng)鏡頭，雖然畫(huà)面實(shí)現(xiàn)了“中等”的“運(yùn)動(dòng)”，但人其實(shí)幾乎不動(dòng)。

luma

測(cè)試demo中一個(gè)比較極端的案例是，提示詞：動(dòng)畫(huà)風(fēng)格，畫(huà)面中人物騎車(chē)穿越小鎮(zhèn)狹窄街道，鏡頭穩(wěn)定地側(cè)拍她向前移動(dòng)，背景快速拉動(dòng)——

Hailuo 02很好地還原提示詞與第一幀畫(huà)面中的“導(dǎo)演意圖”，給出了人物與生活環(huán)境的關(guān)系特寫(xiě)，甚至能通過(guò)一秒鐘的人臉大側(cè)寫(xiě)呈現(xiàn)出了日本動(dòng)漫中常見(jiàn)的人物積極情緒。

Hailuo 02

在其他對(duì)標(biāo)測(cè)試模型中，模型似乎錯(cuò)誤地把前進(jìn)對(duì)象理解成了“背景”，導(dǎo)致出現(xiàn)了詭異的自行車(chē)倒退的情況，而人物狀態(tài)則完全隱匿在視頻中。

可靈2.1大師版

02

效率總是AI與世界雙向奔赴的前提

MiniMax創(chuàng)始人閆俊杰曾多次在接受采訪中表示，多模態(tài)是AGI擴(kuò)散的最佳途徑，因?yàn)榻^大部分人的輸入和輸出其實(shí)都是多模態(tài)的。與此同時(shí)，越來(lái)越多的從業(yè)者也開(kāi)始將多模態(tài)作為大模型理解世界物理規(guī)則的方式。從這個(gè)角度而言，Hailuo 02的升級(jí)不止是視頻能力的迭代，也是MiniMax基礎(chǔ)模型智能對(duì)世界理解力的提升。

據(jù)了解，MiniMax 這次的 Hailuo 02 和 01 其實(shí)是兩代截然不同的產(chǎn)品，其中最核心的變量是 Hailuo 02 幾乎完全重建了模型的底層架構(gòu)，推出了 Noise-aware Compute Redistribution（NCR）。

NCR將超長(zhǎng)視頻token根據(jù)噪聲水平進(jìn)行有規(guī)劃的壓縮，構(gòu)成不同難度的“去噪目標(biāo)”，并配合精心設(shè)計(jì)的噪聲調(diào)度體系，用統(tǒng)一的模型進(jìn)行聯(lián)合學(xué)習(xí)。MiniMax這套新架構(gòu)一方面大幅提高訓(xùn)練推理效率，另一方面也有效幫助模型擴(kuò)展。

據(jù)官方披露，在同等的參數(shù)量級(jí)下，新架構(gòu)使海螺的訓(xùn)練和推理效率提升了2.5倍。

這意味著在同等成本的考量下，MiniMax 可以采用更大的參數(shù)來(lái)推高模型的表現(xiàn)力。最終，MiniMax 將 Hailuo 02 的總模型參數(shù)規(guī)模推高了三倍、數(shù)據(jù)量提升了四倍。而更大的模型參數(shù)又為推理提供了優(yōu)化的空間。于是我們看到了一個(gè)細(xì)節(jié)能力更好、意圖識(shí)別更強(qiáng)的視頻模型。

此外在評(píng)分表現(xiàn)中，Hailuo02也擁有SOTA的“指令遵循”的能力表現(xiàn)：其在復(fù)雜指令 prompt 響應(yīng)率能做到 85%，超越所有同行。這也解釋了為什么在剛才幾個(gè) demo 案例對(duì)比中，無(wú)論是什么類(lèi)型視頻生成，Hailuo 02 能更好地還原和實(shí)現(xiàn) prompt 的意圖。

而能夠?qū)崿F(xiàn)SOTA的底層支持，便是像 NCR 等一系列效率工具所提供的智能冗余，讓模型有能力去很好完善推理能力，從而更好去理解世界和生成世界。于是，我們才有了今天唯一能生成電影機(jī)復(fù)雜運(yùn)動(dòng)場(chǎng)景的“Hailuo 02”。

如果說(shuō)，效率讓模型能力上限更多元、更綜合地提升，讓 AI 模型更加貼近世界；那么效率所帶來(lái)的更低價(jià)格，永遠(yuǎn)是讓世界貼近 AI 模型的最有效、最屢試不爽的手段之一。

高效的模型能力，意味著相同的預(yù)算、同級(jí)別的視頻能力，Hailuo 02可以支持更長(zhǎng)更多的視頻生成。

根據(jù) MiniMax 的官方測(cè)算，Hailuo 02 的成本在第一梯隊(duì)的視頻生成模型中保持了明顯的優(yōu)勢(shì)。尤其是在 1080P 高清視頻的輸出中，Hailuo 02 比 Seedance 領(lǐng)先了整整一個(gè)身位，而相比同期發(fā)布的Google Veo3，海螺的價(jià)格約為后者的1/9。

這其實(shí)與不同公司的技術(shù)審美分野有關(guān)：

有些公司追求的是智能上限，用極限的資源做極限的事情，而 MiniMax 從 DAY ONE 開(kāi)始就是一家“奔赴世界”的公司，它的目標(biāo)是“Intelligence with Everyone”，從一開(kāi)始就注定了它的技術(shù)審美是面向所有人的，模型迭代自然也要為普通人和普通創(chuàng)作者服務(wù)。

與之對(duì)應(yīng)的，海螺作為視頻模型，它的技術(shù)初心也是“Accessible to Everyone”，即希望讓用戶都能用到上限最高、成本最低的模型。

接下來(lái)，海螺還將繼續(xù)“卷”下去。根據(jù)官方表態(tài)，Hailuo 02 接下來(lái)將繼續(xù)在以下幾個(gè)方面更快速更新：

• 生成速度提升

• 更好的偏好對(duì)齊，抽卡率 / 穩(wěn)定性提高

• T2V / I2V 之外的高階功能的實(shí)現(xiàn)

視頻生成大模型沒(méi)有完美的產(chǎn)品，但 Hailuo 02 已經(jīng)是一個(gè)足夠酷炫、也足夠親民的產(chǎn)品，而 AI 也正在不斷接近它完成“復(fù)雜運(yùn)動(dòng)”、理解“復(fù)雜世界”的使命。

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁(yè)、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來(lái)源并插入本公眾號(hào)名片。