统一视觉多模态与多任务！快手可灵与港科大团队发布视频生成模型，加速真实世界理解
统一视觉多模态与多任务！快手可灵与港科大团队发布视频生成模型，加速真实世界理解不仅能“听懂”物体的颜色纹理，还能“理解”深度图、人体姿态、运动轨迹……
来自主题: AI技术研报
7265 点击 2025-12-15 10:42
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
不仅能“听懂”物体的颜色纹理，还能“理解”深度图、人体姿态、运动轨迹……
ChatGPT发布三周年，OpenAI没发布，各大AI玩家倒纷纷整出大活。
今天，来自快手可灵团队和香港城市大学的研究者们，正在尝试打破这一界限。他们提出了一个全新的任务范式——「视频作为答案」，并发布了相应模型VANS。而这项工作则开创性地提出了Video-Next Event Prediction任务，要求模型直接生成一段动态视频作为回答。
目前，GRPO 在图像和视频生成的流模型中取得了显著提升（如 FlowGRPO 和 DanceGRPO），已被证明在后训练阶段能够有效提升视觉生成式流模型的人类偏好对齐、文本渲染与指令遵循能力。
前脚谢赛宁刚宣告VAE在图像生成领域退役，后脚清华与快手可灵团队也带着无VAE潜在扩散模型SVG来了。
作为视频创作者，你是否曾梦想复刻《盗梦空间》里颠覆物理的旋转镜头，或是重现《泰坦尼克号》船头经典的追踪运镜？
刚刚，快手可灵AI基座模型再升级，推出可灵2.5 Turbo视频生成模型。AI视频玩家抹一把老泪，终于有AI视频模型让运动员们拥有不鬼畜自由了！a16z合伙人在𝕏上分享了一个可灵2.5 Turbo生成的视频：
50万，一辆中高端线轿车的价格。 而现在，用AI制作一条视频，市场最高报价已经达到50万/分钟。
AI吃播视频合成虚幻食物内容，快速走红成为流量热点，用户通过其解压助眠获得成瘾体验。创作者利用平台激励和售卖提示词、课程实现盈利，而AI大厂如OpenAI持续亏损。模型如快手可灵商业化成功，从会员订阅中获利。
Sora、可灵等视频生成模型令人惊艳的性能表现使得创作者仅依靠文本输入就能够创作出高质量的视频内容。然而，我们常见的电影片段通常是由导演在一个场景中精心布置多个目标的运动、摄像机拍摄角度后再剪辑而成的。例如，在拍摄赛车追逐的场景时，镜头通常跟随赛车运动，并通过扣人心弦的超车时刻来展示赛事的白热化。