不学Sora？这家国产AI搞了个“无限续杯”的视频模型_风闻

这回，世超掏着一个据说不一样的视频模型：sand.ai 的 Magi-1。

具体有啥不一样？我们先翻了翻 sand.ai 的资料，发现他们团队还真是有点来头。

 创始人曹越和联创张拯早在 2021 年的万引神文 Swin Transformer 就有合作，都曾就职于科技界的黄埔军校 —— 微软亚洲研究院。曹越还是光年之外的创始人之一。

在强强联手的 buff 加持下，sand.ai 创立才一年多就有了自己的第一个视频生成模型 Magi-1。

据说 Magi-1 是现在市面上唯一一款能进行无限时长视频续写的模型，还能精细化控制到每一秒生成的内容。

 要知道现在视频生成模型的极限普遍就几十秒，像可灵那样一分钟以上的都很少见。要生成更长的视频，那是另外的。。。另外的价钱也不行，这是底层模型的技术问题。

而Magi-1 支持无限时长续写，还可以每次同时生成最多 16 个 1s 到 10s 的视频。

 不光技术有创新，sand.ai 还表示，他们已经在 4 月 21 日开源了模型，并同步上线产品 demo。

连业界大佬都发文力挺 sand.ai，李开复发帖，这是继 DeepSeek 之后又一个开源的世界级模型。

美团创始人王慧文也为 sand.ai 这波开源发声：“只有科技的不断前行，能挽救人类掉入零和游戏的深坑。”

我们去翻了几个官方的案例，好像确实有点东西啊。

看看这飞快的运动速度！

再看看这丝滑的镜头转换！

 这可让世超有点期待了。

不过得先冷静一下。测试下来，感觉想法是很有潜力的，有优势和特色，但是生成的效果还有待提升。

 我们先找了个梦中情车的正面特写慢镜头，准备续写接下来世超驾驶 Lamborghini 秋名山车神再世的画面。

测试的过程中，我们发现 Magi-1 对于运动速度和镜头的控制确实很优秀。兰博基尼在路上疾驰的效果做出来了，镜头也很有电影感，一直聚焦在跑车上。

还有一个很明显的优点，就是 Magi-1 对于视频主要物体的保护非常到位。不会在多次续写之后，跑车变身大黄蜂的情况。

它对物理环境的理解也是正确的，车辆一直保持在地面上，没有出现低空飞行之类的骚操作。

 不过。。。Magi-1 好像有点健忘。比如前三段生成的视频都知道车后是一面墙，结果第四段直接一个倒车摆尾漂移丝滑上路了。

而且场景理解自从上路就越来越抽象了。除了克苏鲁风绿化带，提示词让它在红灯前刹车，本意遵纪守法，它直接来个交通肇事。

虽然确实是在红灯前刹车，没毛病

 但我们接下来的测试发现，效果不好也不能全怪模型，还可能是提示词出了问题。

打开 Magi-1 的提示词增强，它可以把简单的提示词扩展成更详细、容易让模型理解的指令。但在实际使用的时候，它出现了添油加醋，假传圣旨的现象。

比如这里，我们只想让小鸡玩具跳起来，提示词增强自己给自己上了个难度，还要让小鸡扇动翅膀。

 但如果我们把提示词复制一遍，只删掉扇翅膀的要求，关掉提示词增强，生成的视频效果立刻好起来了。

左图有扇翅膀提示词，右图去掉扇翅膀提示词

接下来，我们再对之前的跳跃提示词直接进行修改，变成让镜头逐渐左移。

效果看起来也不错，环境没有崩，小鸡也没有崩，镜头的确移动了。

** 所以这里有个小小的功能改进建议嗷：**在进入视频生成环节之前，最好让大家伙儿看看增强的提示词对不对，给一个修改提示词的机会。

毕竟生成一次还是要等挺久的，要是最后才发现中间提示词被魔改了，有点搞心态。

这也侧面反映了，Magi-1 对于提示词是非常敏感而且要求很高的。想用好它，最好知道什么样的提示词才能让它出好活。

看完测试，你可能觉得，这模型有点拉呀，现在生成效果比这个好的多的是，为啥把它拿出来说？

因为它和我们熟悉的 Sora 等非自回归 DiT 模型 (Diffusion Transformer) 的技术路线完全不一样，是一个自回归生成模型 AR (Autoregressive model)。

 作为一次创新尝试，它有自己独特的优势和潜力。

AR 模型就像一条环环相扣的锁链，每一次生成视频的新一帧，都在前一帧的基础上。这样生成的视频相邻帧之间就会有强相关性。

而 DiT 模型更像是放在一起伪装成锁链的一堆铁环。它为了效率会同时生成很多帧，但没有办法兼顾到帧与帧之间的关联。

为什么 sand.ai 要尝试一条新路，选择和主流视频生成都不一样的 AR 模型呢？

 我们对 sand.ai 团队进行了简单的采访，很荣幸得到了对 Magi-1 更专业、长远的解答。

sand.ai 表示，他们早在 Sora 发布前就洞察到了 AR 模型在视频生成方面的潜力。坚持 AR，是因为它在大语言模型上已经被证实是可扩展的 (scalable) ，而 scalable 在很大程度上决定了这个技术在未来的上限。

理论上，AR 模型和语言模型的技术路线更接近，有机会让语言和视频统一建模，使文字和视频之间的关系就像现在文生图一样紧密，效果有可能实现一次跃迁。

另一方面，视频随着时间的推移往往还有物理和逻辑的相关性。比如篮球如果被篮筐拦住，它就不会再掉落了。

下图是用Magi-1生成的

DiT 每帧独立生成的方式可能会切断这种关联，没准会让篮球直接魂穿篮筐。而 AR 会更好地理解视频内容，不仅内容合理，还会在运动幅度、速度上表现得更好。

 虽然技术路线目前看还没有完全成熟，**但 sand.ai 相信 AR 会是未来。**随着技术的不断迭代，也许就会找到最合理的 AR 模型视频生成的方式。

于是按照他们的说法，在对技术全面而理性地分析后，sand.ai 在 AR 视频生成上下了注。

其实，在视频生成领域卷到飞起的今天，sand.ai 看似迟到了，但在上限更高的AR 视频生成上他们却是先发而至。

最重要的是，sand.ai 这波开源，属实格局拉满。

科技行业的每一次重大开源，都会带来一场百花齐放。期待 sand.ai 未来的更多产品，以及更多团队在 Magi-1 基础上的创新成果。

图片、资料来源：

莫莫实测、pexels、X、Google Scholar、小红书 

https://help.openai.com/en/articles/9957612-generating-videos-on-sora

https://baike.baidu.com/item/%E5%8F%AF%E7%81%B5/64521309

https://www.geeksforgeeks.org/difference-between-autoregressive-and-non-autoregressive-models/

https://www.someecards.com/usercards/viewcard/dda55efbddeeb36fc8845276b625b586/