金磊 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

不是5秒，不是10秒，更不只是1分鐘。

AI視頻生成，正式迎來無限時長的時代！

來，話不多說，直接來看一部AI版《羅馬假日》：

視頻地址：https://mp.weixin.qq.com/s/c9r537ZRmu-Wk2BkYE4x7Q

而就是這么一部小短劇片段，它的“起點”，僅僅就是一張照片和一句Prompt：

• 身著優(yōu)雅西裝的歐美男子與一位美女漫步在羅馬街頭，分享各自的生活趣事，眼神中滿是欣賞；夕陽西下，余暉灑在兩人臉上，彼此深情對視。

△視頻生成輸入的第一幀圖像

或許你會說，這不就是AI一口氣生成出來的37秒視頻嗎？

非也，非也。

它創(chuàng)作出來的方式，實則是先生成一個30秒的視頻，然后用一套“Extend（擴(kuò)展）大法”繼續(xù)去延長視頻的時間。

方法就是pick剛才已經(jīng)生成的視頻，再來一句Prompt：

• 兩個人擁抱到了一起。

最后，在前面所有畫面人物都沒有發(fā)生變化的同時，AI根據(jù)后續(xù)的Prompt，繼續(xù)擴(kuò)展了7秒鐘。

通過這種方式，如果你想繼續(xù)延長視頻的情節(jié)和時長，只需反復(fù)上述操作即可。

這就是無限時長的由來了。

而這個AI，正是昆侖萬維最新升級的SkyReels-V2。作為全球首個無限時長視頻生成模型，實現(xiàn)了電影級理解，并且全面開源。

整體體驗下來，它的特點可以總結(jié)為一句話——很懂拍電影。

不僅在時長方面可以做到無限，對視頻內(nèi)容的連續(xù)性、鏡頭的自如切換，以及主體的一致性等等都做到了不錯的把控。

那么昆侖萬維為什么要搞這樣的一個AI呢？

這是因為全球AI視頻生成領(lǐng)域正面臨三大核心痛點：

1. 時長限制：主流模型僅能生成5-10秒片段，無法滿足影視級敘事需求
2. 專業(yè)度缺失：通用模型難以理解鏡頭語言、運鏡邏輯等電影語法
3. 質(zhì)量妥協(xié)：提升分辨率往往犧牲運動流暢性，物理合理性頻遭詬病

這也正是SkyReels-V2要解決的問題。

接下來，為了把這種效果體現(xiàn)得更加明顯一些，我們繼續(xù)一波實測走起。

實測AI視頻的無限生成

這一次，我們以5秒為一個單位，一點一點地把玩一下這個無限生成模式。

先“喂”給SkyReels-V2這樣的一張靜態(tài)圖片：

然后我們先讓這張漫畫風(fēng)的圖片，按照物理規(guī)則動起來：

• 保持漫畫風(fēng)格，畫面中的樹、湖面、男孩的頭發(fā)，隨風(fēng)飄動。

繼續(xù)用Prompt來擴(kuò)展后續(xù)視頻內(nèi)容：

• 男孩子突然發(fā)現(xiàn)魚漂和魚竿開始抖動，臉上露出驚喜的表情。

• 男孩立馬站起身來，雙手用力拽魚竿。

• 男孩身子往后退，用力拽魚竿，沒釣到魚。

就在這么5秒、5秒的擴(kuò)展之后，我們就完成了一小段動漫的場景：

視頻地址：https://mp.weixin.qq.com/s/c9r537ZRmu-Wk2BkYE4x7Q

值得一提的是，剛才我們完整展示的2個視頻的BGM，同樣也是由昆侖萬維的音樂生成AI——Mureka來生成的哦~

除此之外，官方這次也展示了幾個不錯的效果。

例如女生化妝的AI視頻生成：

視頻地址：https://mp.weixin.qq.com/s/c9r537ZRmu-Wk2BkYE4x7Q

以及水母在海洋徜徉：

視頻地址：https://mp.weixin.qq.com/s/c9r537ZRmu-Wk2BkYE4x7Q

那么在看完效果之后，接下來的一個問題就是：如何做到的？

背后的技術(shù)也開源了

在科普SkyReels-V2技術(shù)之前，我們還應(yīng)當(dāng)先了解一下當(dāng)前視頻生成模型在技術(shù)上普遍存的問題。

歸結(jié)來看，主要分為三點，即：

• 通用多模態(tài)大語言模型(MLLM)難以理解專業(yè)電影語法（如鏡頭構(gòu)圖、演員表情和攝像機(jī)運動）；
• 現(xiàn)有優(yōu)化目標(biāo)未能充分探索運動質(zhì)量；
• 擴(kuò)散模型和自回歸模型各自的局限性導(dǎo)致難以兼顧視覺質(zhì)量與時間連貫性。

對此，昆侖萬維團(tuán)隊提出的SkyReels-V2，便是通過結(jié)合多模態(tài)大語言模型(MLLM)、多階段預(yù)訓(xùn)練、強(qiáng)化學(xué)習(xí)和擴(kuò)散強(qiáng)制框架，實現(xiàn)了在提示遵循度、視覺質(zhì)量、運動動態(tài)和時長方面的突破性進(jìn)展。

首先，SkyReels-V2的首要創(chuàng)新是設(shè)計了一套全面的視頻結(jié)構(gòu)化表示方法，將通用描述與專業(yè)鏡頭語言相結(jié)合。

這個系統(tǒng)包括主體描述（類型、外觀、動作、表情、位置等）、鏡頭元數(shù)據(jù)（鏡頭類型、鏡頭角度、鏡頭位置等）、攝像機(jī)運動（例如推拉搖移等專業(yè)運動參數(shù)）。

為實現(xiàn)上述專業(yè)維度的高精度標(biāo)注，研發(fā)團(tuán)隊針對性訓(xùn)練了多個專家級模型。

例如鏡頭標(biāo)注器，它可精確識別鏡頭類型、角度與位置，在測試中分別取得 82.2%、78.7% 和 93.1% 的準(zhǔn)確率。

表情標(biāo)注器則能深度解析七種基礎(chǔ)情緒及其強(qiáng)度變化，平均精度達(dá)到 85%；還有攝像機(jī)運動標(biāo)注器，采用6DoF坐標(biāo)參數(shù)化運動，單類型運動識別準(zhǔn)確率89%。

這些專家模型與基礎(chǔ)MLLM的知識被蒸餾到統(tǒng)一的SkyCaptioner-V1模型中，最終形成了一個平均準(zhǔn)確率達(dá)76.3%的專業(yè)視頻標(biāo)注系統(tǒng)，尤其在鏡頭相關(guān)字段上表現(xiàn)突出（鏡頭類型識別準(zhǔn)確率93.7%）。

除此之外，SkyReels-V2還采用一個三階段漸進(jìn)分辨率預(yù)訓(xùn)練框架：

1. 低分辨率階段（256p）
2. ：通過圖像-視頻聯(lián)合訓(xùn)練建立基礎(chǔ)生成能力
3. 中分辨率階段（360p）
4. ：應(yīng)用更復(fù)雜的數(shù)據(jù)過濾策略提升清晰度
5. 高分辨率階段（540p）
6. ：專注于視頻目標(biāo)，采用更嚴(yán)格的質(zhì)量標(biāo)準(zhǔn)

訓(xùn)練中采用雙軸分桶框架（時長桶×寬高比桶）和FPS歸一化技術(shù)，有效處理視頻數(shù)據(jù)的時空異質(zhì)性。優(yōu)化器使用AdamW，學(xué)習(xí)率從1e-4逐步降至2e-5，確保穩(wěn)定收斂。

而針對視頻生成中常見的運動質(zhì)量問題（幅度不當(dāng)、主體變形、物理規(guī)律違反等），團(tuán)隊設(shè)計了半自動偏好數(shù)據(jù)收集管道。

它包含兩種類型的數(shù)據(jù)，一個是人工標(biāo)注數(shù)據(jù)，由專業(yè)人員評估運動質(zhì)量，形成1200個視頻測試集；另一個是自動生成數(shù)據(jù)，通過漸進(jìn)失真創(chuàng)建技術(shù)模擬各種運動缺陷。

基于這些數(shù)據(jù)，團(tuán)隊訓(xùn)練了專門的獎勵模型，并應(yīng)用流匹配直接偏好優(yōu)化(Flow-DPO)技術(shù)，通過三階段訓(xùn)練（每階段20k數(shù)據(jù)）顯著提升了運動質(zhì)量。

SkyReels-V2的核心突破是擴(kuò)散強(qiáng)迫（Diffusion Forcing）技術(shù)，將傳統(tǒng)擴(kuò)散模型轉(zhuǎn)化為支持無限長度生成的架構(gòu)。

這個技術(shù)同樣包含三個關(guān)鍵點。

一是幀導(dǎo)向概率傳播（FoPP）時間步調(diào)度器，它通過動態(tài)編程計算非遞減噪聲計劃，將組合空間從O（1e48）減少到O（1e32）。

二是自適應(yīng)差異（AD）時間步調(diào)度器，可以支持從同步擴(kuò)散(s=0)到自回歸生成（s=T）的靈活調(diào)整。

最后則是上下文因果注意力，通過推理時緩存歷史樣本的K、V特征，顯著降低計算開銷。

這一框架使模型能夠以前一視頻段的最后幾幀為條件，生成新的幀序列，理論上支持無限長度擴(kuò)展。為防止誤差累積，團(tuán)隊采用輕微噪聲標(biāo)記已生成幀的穩(wěn)定化技術(shù)。

從昆侖萬維以及第三方測試結(jié)果來看，在SkyReels-Bench評估中，SkyReels-V2在指令遵循方面取得了顯著進(jìn)展，同時在保證運動質(zhì)量的同時不犧牲視頻的一致性效果。

在VBench1.0自動化評估中，SkyReels-V2在總分（83.9%）和質(zhì)量分（84.7%）上均優(yōu)于所有對比模型，包括HunyuanVideo-13B和Wan2.1-14B。這一結(jié)果進(jìn)一步驗證了SkyReels-V2在生成高保真、指令對齊的視頻內(nèi)容方面的強(qiáng)大能力。

以上便是SkyReels-V2能夠解鎖如此實力背后的關(guān)鍵技術(shù)了，并且已經(jīng)全部開源。

AI重塑內(nèi)容生產(chǎn)

在解讀完技術(shù)之后，我們還有個話題值得聊一聊——SkyReels-V2的問世，意味著什么？

歸結(jié)為一句話，或許就是：

正在重塑、改寫創(chuàng)意內(nèi)容產(chǎn)業(yè)的DNA。

SkyReels-V2展現(xiàn)的不僅是技術(shù)能力，更是一種新型創(chuàng)作哲學(xué)的雛形。

當(dāng)AI能夠理解并執(zhí)行“日落時分的海灘漫步”這樣的抽象指令，并自主處理鏡頭運動、場景過渡等專業(yè)細(xì)節(jié)時，人類的角色正在從執(zhí)行者轉(zhuǎn)變?yōu)?strong>“創(chuàng)意導(dǎo)演”——專注于概念構(gòu)思與審美判斷等高層次創(chuàng)造活動。

這種人機(jī)協(xié)作模式指向了一個更為深刻的變革：藝術(shù)創(chuàng)作的重心從技藝展示轉(zhuǎn)向思想表達(dá)。

創(chuàng)作者可以將更多精力投入敘事結(jié)構(gòu)、情感傳遞和概念創(chuàng)新等真正體現(xiàn)人類獨特性的領(lǐng)域，而將技術(shù)實現(xiàn)交由AI處理。

這或許正是文藝復(fù)興時期“藝術(shù)家作為思想家”理想在數(shù)字時代的全新詮釋。

而目光聚焦于昆侖萬維本身，可以說它再一次走到了生成式AI大浪潮的前面：不僅有技術(shù)，還有產(chǎn)品，更是做到了全面開源。

據(jù)高盛預(yù)測，到2027年AI生成視頻市場規(guī)模將突破萬億美元，而昆侖萬維SkyReels-V2的橫空出世，正以“無限時長+電影級質(zhì)量+精準(zhǔn)控制”三位一體的突破性技術(shù)，率先打開這片藍(lán)海市場！

至于SkyReels-V2及其后繼技術(shù)將如何繼續(xù)改寫創(chuàng)意產(chǎn)業(yè)的DNA，取決于我們?nèi)绾我灾腔叟c遠(yuǎn)見引導(dǎo)這場變革。

不過可以肯定的一點是，當(dāng)技術(shù)最終成功隱入創(chuàng)作的背景，成為思維的自然延伸時，人類講故事的方式，以及通過故事理解世界的方式，都將發(fā)生我們今日難以想象的深刻轉(zhuǎn)變。

最后，體驗地址放下面了，感興趣的小伙伴快去嘗鮮吧~

SkyReels官網(wǎng)地址：
https://www.skyreels.ai/home

GitHub地址：
[1]https://github.com/SkyworkAI/SkyReels-V2
[2]https://github.com/SkyworkAI/SkyReels-A2

HuggingFace地址：
[1]https://huggingface.co/collections/Skywork/skyreels-v2-6801b1b93df627d441d0d0d9
[2]https://huggingface.co/Skywork/SkyReels-A2

論文地址：
[1]https://arxiv.org/abs/2504.13074
[2]https://arxiv.org/pdf/2504.02436