快手正悄悄地把可靈做成一個世界模型

作者 ｜ 黃小藝
郵箱 ｜ huangxiaoyi@pingwest.com

12月1日，可靈正式發(fā)布了新模型——可靈 O1，并連續(xù)發(fā)布了可圖 O1、音畫同出模型可靈2.6、可靈數(shù)字人2.0、可靈O1主體庫&對比模版共五個更新。

最核心的是兩個O系列的生成模型，與 GPT的o系列一樣，“O”代表著 Omni（all，一切），意味著模型不再局限于單一模態(tài)的輸入。

正因如此，O1也被視為視頻生成界的 “Nano Banana” 。它們的相似點在于，都是多模態(tài)整合，都具有強可控性和多輪編輯能力。

看起來很酷，但可靈的目標(biāo)并不止于“又一個視頻模型”。

如果梳理近一年可靈的各種動作，你就會發(fā)現(xiàn)，O系列或許只是一個序幕，接下來，可靈的方向是要做出自己的世界模型。

1

“Video World Model是未來！”

事實上，可靈想做世界模型的這份野心，從來沒有隱藏過。

第一個火爆的視頻生成模型Sora，在發(fā)布之初就宣稱自己是“世界模擬器”。22個月過去，越來越多的視頻生成模型都在宣傳或研究上，或多或少地朝“世界模型”靠近，可靈也不例外。

各種論文在提供著清晰線索。

早在2024年12月，Sora公開上線的同月，快手就發(fā)布過一篇名為《Owl-1: Omni World Model for Consistent Long Video Generation》的論文，提出了Omni World Model（Owl-1），用于產(chǎn)生長期連貫且全面的條件，實現(xiàn)持續(xù)的長視頻生成，預(yù)測未來動態(tài)[1]。

從論文來看，這是他們長達(dá)一年的技術(shù)演進的梳理。進入2025年，快手的可靈團隊就開始逐漸密集地發(fā)布世界模型相關(guān)研究。

在其中，你甚至可以找到各種當(dāng)下火爆的路線方向。

2025年8月Google 發(fā)了實時交互的Genie3，快手則對它對應(yīng)的這種生成式交互視頻在游戲領(lǐng)域的應(yīng)用做了研究，論文獲得了ICCV 2025 Highlight。

2025年11月李飛飛正式發(fā)布的3D “世界模型”，快手也有一個對應(yīng)的模型Terra。

這些名氣很大的關(guān)鍵節(jié)點，快手的策略是緊跟不缺席。

不過，隨著“世界模型”的概念被炒熱，這也存在一個爭議點——視頻生成模型，到底是不是世界模型？圖靈獎得主 Yann LeCun 曾為此潑過一盆冷水。他認(rèn)為，“視頻生成并不等于世界模型”，單純預(yù)測下一個像素點，只是對畫面的模仿，并非對物理世界的真正理解。

然后快手可靈團隊在2025年11月也發(fā)布了一篇論文《Simulating the Visual World with Artificial Intelligence: A Roadmap》，里面給出了回應(yīng)：視頻生成模型也可以學(xué)習(xí)物理規(guī)律，像素只是模型渲染給人類看的結(jié)果，不代表模型中間沒有計算和推理。

這篇論文可以看作是快手自己為“視頻生成模型如何通往世界模型”畫出的路線圖，在文中，快手明確將Kling 1.0歸類于第一代世界模型，Kling2.1 Master歸類于第二代世界模型。

在他們看來，現(xiàn)代視頻模型并非直接預(yù)測像素，而是存在一個隱式世界模型作為“大腦”，負(fù)責(zé)在肉眼不可見的高維潛在空間（Latent Space）中進行推演，這和LeCun的潛在空間推理同理，它接收當(dāng)前的各種狀態(tài)輸入，基于推理能力和內(nèi)化的物理法則——如重力、流體動力學(xué)、物體恒常性——計算出下一時刻的世界狀態(tài)[3]。

快手專家研究員王鑫濤也直接在知乎上寫下判斷：“我相信，Video World Model 是未來”。

1

可靈最近研究都圍繞世界模型展開

繼續(xù)沿著《Simulating the Visual World with Artificial Intelligence: A Roadmap》這篇回看，快手那些看似碎片化的研究——從物理準(zhǔn)確性到鏡頭運動控制——其實都能被串聯(lián)進這條通往“世界模型”之路中。

Roadmap里的一個核心是，團隊認(rèn)為“視頻生成”走向“世界模型”的一個關(guān)鍵點是Navigation Mode（導(dǎo)航模式）。

快手認(rèn)為，真正的世界模型不能只靠“空間條件”（如布局、草圖、深度圖）來描摹畫面、進行像素級或有限的控制；它必須能聽懂“導(dǎo)航條件”——即那些脫離了畫面依然成立的、具有時序的、具有空間推理的交互指令（如“向左轉(zhuǎn)”、“推拉鏡頭”）。

也正是因此，團隊有關(guān)“導(dǎo)航條件”的研究格外多。

鏡頭運動就是一種導(dǎo)航條件，ICCV 高分論文 RecamMaster，提出了一種由攝像機控制的生成視頻重渲染框架，能夠在新的攝像機軌跡下再現(xiàn)輸入視頻的動態(tài)場景[4]；SynCamMaster 則進一步讓模型在同一時間軸上實現(xiàn)多攝像機視頻生成，確保不同視角間的內(nèi)容一致性[5]；而 AdaViewPlanner 則讓 AI 變成了攝影指導(dǎo)，能自主規(guī)劃最佳觀察路徑[6]。這一系列研究，本質(zhì)上都是在提升模型對3D、4D空間的動態(tài)感知。

這些研究，也反映在了此次的O系列里。

從目前可靈O系列的案例中也能看出，例如，可靈O1針對一張側(cè)面的車內(nèi)駕駛視頻，生成一張后座視角的車內(nèi)駕駛視頻；可圖O1將一張二維的房間設(shè)計圖，轉(zhuǎn)化為3維空間的設(shè)計圖等等。

按照快手Roadmap的定義，我們可以將可靈O1劃分在世界模型第二代到第三代之間。

在快手的定義中， 第二代的主要特征就是交互性，“導(dǎo)航模式”賦予了模型靈活的控制力，使其能遵循預(yù)定義軌跡執(zhí)行長動作序列，而第三代模型則更進一步，核心在于“規(guī)劃能力”（Planning）與“實時交互”， 進一步強化了導(dǎo)航模式，模型不僅能“聽指令走路”，還要能基于內(nèi)在的物理知識，自主推演并生成無限長的視頻序列。

也就是說，僅僅會“運鏡”是不夠的，模型還必須懂物理、能思考。因此在導(dǎo)航類論文之外，快手還構(gòu)建了物理、推理方向的研究。

比如，快手推出的Monet訓(xùn)練框架，通過讓多模態(tài)大語言模型 (MLLMs)直接在連續(xù)的潛在視覺空間中進行推理，增強視覺推理能力[7]；

還有PhysMaster，作為一種模型外掛，通過注入物理知識來增強視頻生成模型的物理感知能力，使其能夠生成更符合物理規(guī)律的視頻。[8]。

隨著研究碎片們不斷補齊，O系列，會是可靈打開新“世界”的大門嗎？

1

在“賺錢工具”與“世界模擬器”的夾縫中

如果快手想要繼續(xù)向世界模型前進，實時性就是一個關(guān)鍵的卡點。

盡管 O1 模型在空間邏輯、指令遵循上有進步，但生成一段 5 秒的視頻目前仍需耗時約 2 分鐘。這種“高延遲”并非 O1 獨有的問題，回看從可靈 1.0 到可靈 2.1 Master 的整個迭代軌跡，團隊顯然采取了一種“畫質(zhì)優(yōu)先，速度讓位”的策略。

但對于一個旨在模擬世界的系統(tǒng)而言，如果無法做到實時響應(yīng)，那么它更像是一個精美的“離線渲染器”，而非真正意義上可交互的“世界模型”。如何在保持高保真畫質(zhì)的同時，將分鐘級的生成時間壓縮至秒級、毫秒級，是一個難題。

不過，在一篇《Context as Memory: Scene-Consistent Interactive Long Video Generation with Memory Retrieval》的論文中，團隊也埋下了一個伏筆：隨著“上下文壓縮”技術(shù)的改進，視頻生成時間有望降低。

這一切也形成了一個非常有意思的“錯位”：當(dāng)年第一個喊出“世界模擬器”口號的 Sora，如今反而越來越像個產(chǎn)品經(jīng)理，忙著搞 AI 視頻版的 TikTok，開發(fā) Cameo這種娛樂玩法，一門心思往應(yīng)用層鉆，而快手盡管攢了一系列的研究，但偏偏對外的產(chǎn)品公布里，就不提世界模型。

“技術(shù)向左，產(chǎn)品向右”的矛盾背后，是商業(yè)盤算。

在11月19日的Q3財報會上，程一笑提到，視頻模型與大語言模型本質(zhì)上均朝著世界模型方向演進，且視頻模型有望成為世界模型的核心技術(shù)支撐，但可靈現(xiàn)階段仍將“AI影視創(chuàng)作場景”作為核心目標(biāo)。

某種程度上，可靈的產(chǎn)品和模型是分離的。模型在水下，可靈平臺作為一個產(chǎn)品才是對外輸出的核心。據(jù)快手Q1的財報會披露，可靈AI營業(yè)收入主要由P端付費用戶（指專業(yè)的自媒體、視頻創(chuàng)作者和廣告營銷從業(yè)者等）以及為企業(yè)客戶提供API服務(wù)構(gòu)成，而其中近70%由P端付費用戶貢獻。

這群“金主”不在乎你是不是“世界模擬器”，也沒那么在乎實時性，他們只在乎能不能穩(wěn)定出片、能不能賺錢。因此可靈外宣稱自己是世界模型，似乎除了被挑剔，也沒有額外的增益。

但情況遲早要轉(zhuǎn)變。

單純作為“影視創(chuàng)作工具”的商業(yè)天花板是肉眼可見的，根據(jù)此前和11月19日披露的Q3數(shù)據(jù)，可靈AI今年第一季度、第二季度、第三季度的收入分別超過1.5億元、2.5億元、3億元，全年預(yù)計收入1.4億美元，但增速逐漸放緩。

無論是谷歌 Veo3 被用于機器人領(lǐng)域，還是特斯拉利用生成式視頻訓(xùn)練自動駕駛，亦或是游戲行業(yè)對AI引擎的渴求，具身智能、自動駕駛、游戲引擎等領(lǐng)域，才是視頻生成模型真正的星辰大海，對模型的物理一致性和實時交互能力也提出了極高的要求。

所以，哪怕對于視頻生成模型來說，想要不再只是一個昂貴的玩具或是一個輔助的創(chuàng)作工具，做成“世界模型”是一件生死攸關(guān)的大事。因為只有模擬真實，才能挖動和物理世界交互的金礦。

在今天的O系列之后，看起來我們可以期待快手接下來的“W”模型了。

參考資料：

[1]Owl-1: Omni World Model for Consistent Long Video Generation

[2]A Survey of Interactive Generative Video

[3]Simulating the Visual World with Artificial Intelligence: A Roadmap

[4]ReCamMaster: Camera-Controlled Generative Rendering from A Single Video

[5]SynCamMaster: Synchronizing Multi-Camera Video Generation from Diverse Viewpoints

[6]AdaViewPlanner: Adapting Video Diffusion Models for Viewpoint Planning in 4D Scenes

[7]Monet: Reasoning in Latent Visual Space Beyond Images and Language

[8]PhysMaster: Mastering Physical Representation for Video Generation via Reinforcement Learning

點個“愛心”，再走 吧