视频生成

可灵的视频生成是高算力消耗的典型，而豆包虽然以文本交互为主，单次推理成本更低，但120万亿tokens的日均使用量把规模效应变成了另一种刚性压力，免费服务的每一分增长都在拉高成本基数。

可灵的视频生成是高算力消耗的典型，而豆包虽然以文本交互为主，单次推理成本更低，但120万亿tokens的日均使用量把规模效应变成了另一种刚性压力，免费服务的每一分增长都在拉高成本基数。

NEWTON的核心变化，是重新定义视频生成系统的工作方式。

从Sora、Veo、Kling到一系列开源视频生成模型，文生视频已经逼近真实影像的观感——画面清晰、镜头流畅、风格可控，一句话就能生成一段观感不错的视频。

从「等物理涌现」到「请牛顿进工具箱」，Agent驱动的视频生成新范式2026年06月11日19:00机器之心Pro近年来，视频生成模型发展迅猛。

然而，当我们把目光从“像不像”转向“对不对”时，一个深刻的问题开始浮出水面：当前视频生成模型虽然擅长制造视觉真实感，却并不真正理解物理世界。

不需要改动底层的视频生成模型。

从这个意义上说，VAST要做的不是再造一个视频生成模型，而是试图搭建下一代互动内容和通用人工智能共同需要的基础设施：一个稳定、有状态、可演化、可被智能体长期训练和探索的生成式世界。

在传统视频生成模型中，状态和画面是高度耦合的。

这也是为什么很多视频生成模型在短时间内看起来很连贯，但一旦拉长时间、切换视角，或者引入复杂交互，就容易出现物体消失、结构变形、前后逻辑不一致等问题。

谈及视频赛道，张亮告诉记者，视频生成商业模式已经跑通。

从「等物理涌现」到「请牛顿进工具箱」，Agent驱动的视频生成新范式2026年06月11日19:00机器之心Pro近年来，视频生成模型发展迅猛。

视频生成为什么总是“物理不稳”？