国内厂商视频生成模型布局进展如何？

视频生成模型进入高速发展期，可灵、Sora、 Veo2 综合实力领先。

1. 视频生成模型以 DiT 为主流架构，以快手为代表的国内厂 商快速取得技术突破

视频生成模型以 DIT 为主流架构，目前发展迅速。AI 视频生成技术的迭代路径分为多个阶段，每 个阶段的技术升级都带来了视频生成质量飞跃性的提升。过去 10 年中，视觉生成式技术框架逐渐 从生成对抗网络（GAN）向扩散模型（Diffusion Model）过渡，期间也出现了基于 Transformer 的方法但未成为主流。2022 年 12 月，Willian Peebles 和 Saining Xie 通过论文提出 DiT 的神经网 络结构，其结合了视觉 Transformer 和 Diffusion 的优点，把 DPPM 中的卷积架构 U-Net 换成 Transformer 架构，高效地捕获数据中的依赖关系并生成高质量的结果。Willian 随后加入 OpenAI 领导 Sora 项目，将 DiT 和规模定律扩展至视频生成中。快手可灵、OpenAI Sora、生数科技 Vidu 等都是采用 DiT 架构的典型代表。

Sora 发布后国内厂商迅速实现技术追赶，快手 4 个月后上线可灵并保持快速迭代。Sora 的核心 技术支柱为 DiT 架构，将 Transformer 引入扩散模型，极大提升了后者的扩展能力，底层仍然是 围绕加噪去噪的扩散过程做训练。Sora 的发布也引领了视频生成模型的 DiT热潮，2023年 DiT原 始论文的被引次数约 200 次，至 2024 年 12 月已被引用近 800 次，增长近 3 倍。Sora 发布后， 次月便出现尝试复现的开源项目 Open-Sora 和 Open-Sora-Plan，此后生数科技、谷歌、快手等 陆续发布对标Sora的闭源模型产品，并持续保持迭代，如快手可灵2024年6月上线1.0版本后、 9 月升级 1.5 版本、12 月升级到 1.6 版本，内部测评 1.6 版本相较上一版本性能提升 195%。目前 市面上的视频生成产品，包括海外的 Sora、Veo2、Runway、Luma、Pika 和国内的可灵、海螺、即梦、Vidu、混元、通义万相。考虑到视频生成的主要产品均是 2024 年才密集发布，我们认为 可以重点关注技术和产品迭代情况。

现有玩家里，Tier1 为谷歌 Veo2、OpenAI Sora、快手可灵、Minimax 海螺、生数科技 Vidu， 如何筛选核心指标及评判？目前市面上对视频生成模型的评价体系主要围绕三个维度展开： 一是生成视频的真实性和美学效果：包括视觉吸引力、趣味性、颜色、风格等。我们理解对 于这个指标，一梯队的厂商无明显差异，但能和二梯队厂商拉开差距； 二是语义对齐：衡量用户输入的 prompt 和生成视频的对齐和遵循程度。从这个层面，我们 理解为有LLM模型能力储备的厂商如阿里、字节或能快速迭代出语义遵循表现较好的产品； 三是视觉质量：主要衡量生成内容的时间一致性（是否会出现变形伪影、模糊或扭曲）、运 动完整性和自然性（运动量和幅度、以及对物理规律的理解和仿真） 综上，我们认为，尤其对于一梯队厂商来说，视觉质量是更核心的指标（在 LLM 模型开源趋势 下，不同视觉生产模型的语义对齐能力或能看齐）。 参考 Vbench 的测评体系，其对视觉质量的评价相对全面，主要基于主体一致性、背景一致性、 时间闪烁、运动平滑性、动态度这 5 个细分指标，快手可灵表现优异。Vbench 是由上海人工智 能实验室、南阳理工大学 S-lab、香港中文大学、南京大学联合提出的视频生成模型评测体系，提 出了 16 个分层和解耦的评测维度，主要分为两大类，视频质量和视频条件一致性。视频质量强调 时间维度上的一致性、运动平滑性、动态程度和美学价值，视频条件一致性强调 T2V的视频-文本 一致性和对齐程度。从测评情况看，快手可灵（测评中为 1.0 版本）在时间维度的一致性上表现 优秀，且视频中生成的运动平滑度高、对物理定律的遵循较好。 此外我们了解到，实际在工业化场景应用中，如游戏、短视频、广告、电商商品视频等，更关注 精准控制，但目前已有的评价体系未有进行测评刻画。精确控制衡量的是对生成内容的局部细节 调整、以及对于用户指令变化进行精确地控制修改，在这个指标下 Sora、Vidu、可灵表现突出。

此外，我们以 Google 内部测评的结果来对可灵排位和领先性做交叉验证，其内评结果显示快手 可灵 1.5 仅次于谷歌 Veo2。谷歌发布 Veo2 时，基于 Meta 的 MovieGenBench 基准数据，对用 户偏好 Veo2 或对比模型（Sora、Meta 的 Movie Gen、快手可灵、海螺）的情况做了测评，测评 结果显示偏好对比模型占比最高的是可灵，有 32.6%的用户在和 Veo2 的对比下选择快手可灵。 若综合考虑偏好可灵和认为两个模型打平的用户情况，则只有可灵的偏好度占比超过 50%。此外 在语义遵循这个层面，有 36.6%用户认为可灵表现更胜一筹。

综上所述，我们认为文生视频模型的技术发展已经进入到明显加速期，以主流架构 DiT 为基础技 术路径，海外 OpenAI Sora、谷歌 Veo2、Luma，以及国内快手可灵、Vidu、海螺、阿里通义、 字节即梦、腾讯混元均进入产品快速迭代周期，一梯队厂商主要为 OpenAI Sora、谷歌 Veo2 和 快手可灵等。技术能力的核心要素为视觉质量和精确控制，可灵在这两个维度上的综合表现均为 领先状态。因此，我们认为随着多模态技术持续演进、成本进一步下降，产品和商业化的演进和 落地将会进入发展新周期。

2. 现为视频多模态阶段一，除技术外，可跟踪产品和商业化 边际变化

24 年主流产品均快速迭代，快手迭代速度保持领先。我们认为在现在多模态视频技术水平处于周 期发展的阶段一，技术为核心观察指标，但也需关注各家产品变化情况。从过去的2024年，视频 生成模型厂商基本迭代版本数在 3~5 个版本，其中可灵基本保持 3 个月一次版本迭代并做到全量 上线，迭代速度保持领先。从生成视频时长看，目前多数能生成 5~10s 的视频，分辨度多在 720p/1080p，整体差异不大。从各产品主要功能看，Sora、可灵、Runway 有较丰富的功能。现 有的产品实际生成效果对比下，可灵的细节控制、场景的细致程度更好。我们预期 2025 年产品 迭代速度会加快，可灵有望持续保持领先优势。

视频生成产品访问量快速增长，海螺、可灵、Sora 领先。从视频生成产品的用户访问量来看， 2025 年 2 月海螺、可灵、Sora 位居 Top3，分别为 2756 万、1591 万、1050 万；从独立访客数 看，海螺、Sora、可灵分别以 634 万、592 万、376 万保持领先。具体从流量的地区分布看用户 差异，快手可灵的第一大流量来源为美国，占比 14.18%，仅次于本土产品 Sora 的 32.09%，高 于 Veo2 的 9.84%，且高于其他国内产品如海螺、Vidu、即梦。 对比视频生成产品和 Top AI 产品的访问量量级情况，存在差距，可持续跟踪未来 gap 趋势反映 技术成熟度和用户接受度情况。2025 年 2 月 ChatGPT web 端用户访问量为 40.4 亿，国内 web 端用户访问量最大为 DeepSeek 为 5.7 亿，视频生成产品与相对成熟态的 ChatBot 应用相比存在 较大差距，说明目前视频生成产品发展仍处于早期阶段，距离达到产品 ToC 大范围应用仍有距离， 需要产品能力提升和成本进一步下降。

整体行业商业化均处于早期阶段，未来创作门槛进一步降低、社区生态形成后变现方式更具想象 空间。我们的观点在于，目前处于技术快速进步期、视频推理的算力成本未大幅下降阶段，对应 产品发展初期阶段，当前商业化方式主要以工具属性收费为主。未来随着技术进步、成本进一步 降低，以及产品的进阶，商业模式会发生变化。 对比国内外主流视频生成大模型，各公司目前针对 C 端均采用会员付费体系、针对 B 端采用 API 接口调用，会员体系为用户提供差异化效果体验（如在分辨率和部分特色功能上），具体为每月 给予一定量免费视频生成额度，若需使用更多相关功能或生成更高质的视频则需通过额外付费成 为会员解锁。 目前从披露的商业化流水数据来看增速较好，如 Runway2024 年 12 月的年化收入为 8400 万美元，相较 6 月的年化收入 2800 万美元增长了 2 倍；快手可灵 ToC 端的单月流水（24Q3） 为千万量级，起量较快；ToB 端可灵在 2024 年 9 月开放了 API 服务，涵盖了视频生成、图 像生成和虚拟试穿等模块，电商、广告主等企业客户可以将可灵模型融入自身系统，以提升 内容创作的效率，通过提供定制化 API 服务探索收入，这将是可灵 25 年的重点发力方向。 从单条 5s 视频的生成成本看，除了 Runway 的 Gen-3 Alpha 价格较高达到 8.17 元/条，其余 产品的单条 5s 视频生成成本多在 1~4 元。 未来随着视频生成模型的不断迭代完善，商业化路径也会逐渐清晰，我们判断会有变现更高的商 业模式出现。展望来看，初期工具应用积累下来的创作者沉淀为种子用户，新的社区生态和环境 下，可以探索类似接商单的商业模式，除了 API 收入，视频生成大模型公司或可基于订单金额分 成形式进一步拓展收入空间。