互联网行业：视频生成模型专题深度系列（一）.pdf

视频生成模型正经历从技术范式探索向商业化加速验证的关键转折。Seedance 2.5、Minimax H3等最新模型的密集发布，标志着行业在原生音视频、多模态理解和长叙事能力上取得显著进展，而Sora的全面关停则提供了关于技术领先与商业成功之间复杂关系的深刻反例。

研究目的与核心内容

本报告为视频生成模型专题深度系列首篇，聚焦于三个核心问题：技术迭代路线与当前瓶颈、Sora关停的海外启示、核心玩家对比及迭代复盘。报告系统梳理了视频生成从GAN/VAE早期探索，经Token化Transformer与扩散模型并行发展，到DiT成为主流架构，再到原生音视频与多模态创作产品化的四阶段演进。

关键技术判断

DiT架构通过以Transformer替代U-Net作为去噪主干，将扩散模型的迭代生成机制与Transformer的规模扩展能力相结合，已成为当前视频基础模型的主流技术路线。但技术范式尚未完全收敛，仅靠Scaling或不足以使模型掌握可稳定外推的物理规律，下一阶段核心目标在于推动模型从拟合表面规律走向学习可预测的动态关系。

Sora案例的核心数据与结论

Sora实现了生成时长突破、复杂提示词理解、时序一致性提升和初步世界模拟能力，但其关停源于三重因素：OpenAI战略聚焦核心领域；用户热度不持久（7日留存率约2%，30日留存率约1%），商业模式未跑通（生命周期内购收入约210万美元，日亏损约100万美元）；版权合规机制未能规模化解决。

玩家竞争格局

Seedance 2.5侧重全模态长叙事与创作控制，单次生成时长30秒，多模态参考素材上限50个；Kling 3.0系列侧重角色一致性与可控分镜，支持Element资产复用和逐镜头参数设置；H3侧重全模态理解与参考编辑，统一建模生成、参考和编辑任务；Veo 3.1侧重高画质镜头生成与延展，支持4K输出和最多20轮延展。各模型在输入模态、参考规模、生成时长、分辨率、原生音频、编辑能力和开放程度等维度呈现差异化布局。

产业端商业化进展

2026年第一季度新上线AI微短剧数量占比超95%，2026年1月至5月AI剧/漫剧市场规模突破220亿元。国内首部全流程AIGC网络故事片《奇谭：纸刃渡荒墟》获得发行许可并登陆爱奇艺，标志从概念片到商业长片的突破。后续核心催化包括Seedance 2.5和H3的实际效果与ARR转化，以及其他模型更新进展。