实测可灵2.0：AI影视“动态真实”的里程碑。

实测可灵2.0：AI影视“动态真实”的里程碑。实测可灵2.0：AI影视“动态真实”的里程碑。 Modified September 11, 2025 No access 可灵 11 00:00 No access 可灵 12 00:00 当然遗憾也是有的，可灵 2.0 对剑戟等冷兵器的理解还是稍显稚嫩，我们反复尝试了一段竹林内的剑法对决，挑战画面复杂度的极限（竹林和剑会形成模型理解的视觉误差），这种情况下，人物的动作还是变形了，对于兵器的再现比不了之前拳法的武术动作。第一人称游戏视角可灵 2.0 在测试中表现出的另一个特点是对主视角第一人称的超强支持。一般来说，这种模仿类似射击游戏的视角特效对 AI 模型并不困难，但是能把细节和完成度做到如此完善程度的并不多见。之前我们大量使用过 Runway Gen4 来模拟这种效果，可在动态的速率上，都是 10 秒的动画，可灵 2.0 的细节和动态变化幅度，要比 Gen4 能打太多了。这组射击游戏的镜头，几乎可以对标一些一线FPS 游戏的感觉，赛车游戏的视角中，窗外的景色变化，路线的涌现均非常出色。 No access 可灵 17 00:00 No access 可灵 18 00:00 这里可以聊聊最后一个特点了：在整体测试中体现出来的动态美学。既稳又美的动态影像最后聊聊动态中的美学。也就是在高速运动中，画面的稳定性和美感。稳定性也是内容创作者最关心的话题，尤其在维持 10 秒这样超长镜头时，到底有几秒是真的高质量，几秒是在混事？我不能代表所有人的看法，但就个人在测试中的感受：2.0 的稳定性非常好，这导致镜头的废片率很低。黑龙啸雪，追尾视角，龙的动态，光线，雪地的磅礴，完全是影视级的表现，而提示词实际上相当简单：巨龙高速俯冲飞翔，尾随视角的电影运镜，速度感，阳光照射在画面上 No access 可灵 19 00:00 所以，好的模型并不一定需要复杂的提示词才能出来好的效果。这就像是你麾下的一个员工，如果他自己有想法，我们要做的只是指导好方向，让他充分的发挥自己的想法。这是我与 AI 合作的理想状态。接下来大家看看例子就可以了，至于画面有多稳，速度感的冲击力，文字多说无益，眼镜比逻辑更能说明问题。 No access 可灵 20 00:00 No access 可灵 21 00:00 目前的缺点当然，没有完美的产品，测试中还是有一些我期待改进的点。首先就是解析度，在内测期间，因为主要测试目的就是做动态镜头，导致很多场景在动态中显得有点点模糊。这个确实也没办法，尤其是在大动态的情况下，可灵 2.0 并不是那种慢镜头的伪动感，而是几乎都是自然动速，是比有动态模糊。这个问题可灵的团队应该是有准备的，看后续怎么解决吧。况且目前来看清晰度也差不多是够用的。其次，对非写实（如二次元）等风格的支持度并不高，测试中很多二次元的动漫风格人物会出现强行写实化的问题。所以我觉得 2.0 这个模型目前是更聚焦在写实与科幻影视效果上的。多说一句：我自己也不觉得追求全能对模型是件好事，有个特色聚焦其实挺好的，所以要不要把风格做全面覆盖，就看可灵自己的产品规划了。最后，肯定很多人关心：价格。是的，按照目前内测阶段的积分消耗，价格不算便宜。我觉得这一点无可回避。但是价格这种事情，是要建立在你用它做什么的基础上。我一直认为视频模型产品的用户分化是很明确的：爱好者和以此为生（或者试图以此为生）的从业者。对前者来说，尽量以实惠的价格满足自己的兴趣就可以了。但对后者来说，所有的成本都是建立在商业回报的基础之上的。而顶级质量的模型本身在受众上就应该面向专业用户和专业内容。拿可灵2.0举例，它适合完成那些在工业要求很高的项目中的大动态镜头。至于叙事类的部分，可灵 1.6 或者其他模型也完全够用。打个比方，这就像你花钱给自己的公司雇了一个动作特效组，每个公司如何评价这个“成本”是否昂贵，是建立在不同的商业模式之上的。 No access 可灵 11 00:00 No access 可灵 11 00:00 No access 可灵 12 00:00 No access 可灵 12 00:00 当然遗憾也是有的，可灵 2.0 对剑戟等冷兵器的理解还是稍显稚嫩，我们反复尝试了一段竹林内的剑法对决，挑战画面复杂度的极限（竹林和剑会形成模型理解的视觉误差），这种情况下，人物的动作还是变形了，对于兵器的再现比不了之前拳法的武术动作。第一人称游戏视角可灵 2.0 在测试中表现出的另一个特点是对主视角第一人称的超强支持。一般来说，这种模仿类似射击游戏的视角特效对 AI 模型并不困难，但是能把细节和完成度做到如此完善程度的并不多见。之前我们大量使用过 Runway Gen4 来模拟这种效果，可在动态的速率上，都是 10 秒的动画，可灵 2.0 的细节和动态变化幅度，要比 Gen4 能打太多了。这组射击游戏的镜头，几乎可以对标一些一线FPS 游戏的感觉，赛车游戏的视角中，窗外的景色变化，路线的涌现均非常出色。 No access 可灵 17 00:00 No access 可灵 17 00:00 No access 可灵 18 00:00 No access 可灵 18 00:00 这里可以聊聊最后一个特点了：在整体测试中体现出来的动态美学。既稳又美的动态影像最后聊聊动态中的美学。也就是在高速运动中，画面的稳定性和美感。稳定性也是内容创作者最关心的话题，尤其在维持 10 秒这样超长镜头时，到底有几秒是真的高质量，几秒是在混事？我不能代表所有人的看法，但就个人在测试中的感受：2.0 的稳定性非常好，这导致镜头的废片率很低。黑龙啸雪，追尾视角，龙的动态，光线，雪地的磅礴，完全是影视级的表现，而提示词实际上相当简单：巨龙高速俯冲飞翔，尾随视角的电影运镜，速度感，阳光照射在画面上 No access 可灵 19 00:00 No access 可灵 19 00:00 所以，好的模型并不一定需要复杂的提示词才能出来好的效果。这就像是你麾下的一个员工，如果他自己有想法，我们要做的只是指导好方向，让他充分的发挥自己的想法。这是我与 AI 合作的理想状态。接下来大家看看例子就可以了，至于画面有多稳，速度感的冲击力，文字多说无益，眼镜比逻辑更能说明问题。 No access 可灵 20 00:00 No access 可灵 20 00:00 No access 可灵 21 00:00 No access 可灵 21 00:00 目前的缺点当然，没有完美的产品，测试中还是有一些我期待改进的点。首先就是解析度，在内测期间，因为主要测试目的就是做动态镜头，导致很多场景在动态中显得有点点模糊。这个确实也没办法，尤其是在大动态的情况下，可灵 2.0 并不是那种慢镜头的伪动感，而是几乎都是自然动速，是比有动态模糊。这个问题可灵的团队应该是有准备的，看后续怎么解决吧。况且目前来看清晰度也差不多是够用的。其次，对非写实（如二次元）等风格的支持度并不高，测试中很多二次元的动漫风格人物会出现强行写实化的问题。所以我觉得 2.0 这个模型目前是更聚焦在写实与科幻影视效果上的。多说一句：我自己也不觉得追求全能对模型是件好事，有个特色聚焦其实挺好的，所以要不要把风格做全面覆盖，就看可灵自己的产品规划了。最后，肯定很多人关心：价格。是的，按照目前内测阶段的积分消耗，价格不算便宜。我觉得这一点无可回避。但是价格这种事情，是要建立在你用它做什么的基础上。我一直认为视频模型产品的用户分化是很明确的：爱好者和以此为生（或者试图以此为生）的从业者。对前者来说，尽量以实惠的价格满足自己的兴趣就可以了。但对后者来说，所有的成本都是建立在商业回报的基础之上的。而顶级质量的模型本身在受众上就应该面向专业用户和专业内容。拿可灵2.0举例，它适合完成那些在工业要求很高的项目中的大动态镜头。至于叙事类的部分，可灵 1.6 或者其他模型也完全够用。打个比方，这就像你花钱给自己的公司雇了一个动作特效组，每个公司如何评价这个“成本”是否昂贵，是建立在不同的商业模式之上的。所以，什么工具干什么事。总结总体来说，如果你希望生产目前 AI 领域顶级的动态影视作品，可灵 2.0 绝对是个里程碑的出现。它拓宽了镜头语言表达的可能性，让东方武侠、玄幻这些以前很难“AI 动作化”的题材看到了曙光。也完全能承接一部分好莱坞风格的枪战动作场面。在这个意义上，2.0带来了的是质的变化。目前阶段它也有自己的局限，对二次元的支持，成本，都是可以进一步提升的空间，总而言之，对创作者来说，一定要选择适合自己的工具。文章收尾时，对2.0整体的印象停留在开篇提到的两个词上：美学与合理性，前者是“放”，后者是“收”。当收放自如，则动态成真。我是汗青，AI.TALK创始人，一个6岁开始学美术的AI创作者，也是厮混互联网圈16年的产品经理。我在这里分享对AI技术与媒介的思考。我的愿景是寻找新技术与媒介艺术的结合方式。如果你同样对这个话题感兴趣，欢迎关注我的公众号和视频作品。 • 商务合作：aitalkgina • 频道视频号：AI.TALK • 个人视频号：汗青HQ 🔗 原文链接： https://mp.weixin.qq.com/s/r7V85j9t... https://mp.weixin.qq.com/s/r7V85j9t... 原创汗青 AI Talk 汗青 AITalk2025年04月15日 15:49 日本电影只不过是虚构的艺术，它从不按照实际的样子描绘真实。阿巴斯伊朗导演憋了很久，终于能把这篇文章发出来了。可灵AI2.0今天发布。很荣幸得到可灵的邀请，AI.TALK担任了2.0官方宣传片的操刀团队，至于这个模型的效果，可以先看一下宣传片：而在试用的这些日子里，忍住自己的表达欲是件很痛苦的事情。原因是：在模型更新这件事上，有时我们看到的是“改进”，有时我们看到的是“新可能”。而可灵2.0让我看到的是后者：制作AI动作电影的新可能。其中几个我认为最惊艳的几个镜头截图，后面一个一个说：是什么特性让新模型获得“2.0”这样里程碑式的版本号？我觉得答案显然是：其在影像的“动态真实”上达到的全新高度。真实不是现实，而是审美一直以来，我对于所谓视频模型的参数都不是特别感冒：5s也好，10s也好，720P也好，4K也好。这些当然重要，但并非作为创作者的我最关心和需要的。实际上，一段影像能否打动人从来和规格的关系不大，而是它能否让人觉得真实。这又涉及到另一个误解：在影视文化中，真实并不等于和现实一样。相反，复刻现实的影像是很难打动观众的。摄影也好，电影也好，之所以能感人，恰恰因为它在现实之上叠加了创作者的主观“误解”，说好听点，叫审美。这是为什么我相当坚持让团队使用 Midjourney 作为主力工具，虽然它经常抽风，但我宁愿自己的搭档是画不对手指的“疯子”，也不想要一板一眼的“呆子”。说回可灵，作为视频模型，重中之重当然是它的“动态”是否真实。从测试结果看，2.0在理性和感性上保持了很好的平衡性，既有好想法，也够资本支撑实现这个想法：这也是我们对其动态真实性评价如此之高的原因。超大动幅的电影化运镜谈AI视频模型，运镜是避不开的。好的镜头语言是叙事的利器，多少创作者苦于脑海中的运镜无法实现，导致 higgsfeild这样的产品出现。而可灵2.0的运镜能力绝对是惊人的，看我们挑选的样片：这组镜头中，摄像机从战士的正面开火转向跟随视角，可贵之处在哪： 1. 在我并未给出明确运镜方式的提示词情况下（下图），自动选择了一种极为合理，突出枪战紧张感的成熟运镜方式。这是模型的美学表现。 2. 在1.6 中，即便模型希望表达这样的镜头语言，也无法支撑，因为当镜头转向跟随视角时，整个画面已经和首帧完全不一样了，但 2.0 在转向跟随视角后，准确的维持了人物的外观、动态、冲刺姿势，甚至还在不断开枪。在长达 10s的镜头中，人物一直处在高速运动中，动作一直让人觉得自然可信，表现出了强大的“合理性”。把两点结合到一起，就是“建立在合理性之上的审美处理”，再直白一点说，这个模型有想法，并且有硬实力支撑这个想法。后者很重要，不然就是“心比天高，命比纸薄”了。同样的运镜逻辑在这组摇滚歌手的主题上也能看到： No access 可灵 13 00:00 No access 可灵 13 00:00 整体的运镜幅度相当之大，这个 10 秒是货真价实的 10 秒，不是那种原地飘飘雪花、光影稍微动动的混事时长。而且，经常用 AI 做视频的朋友会发现，在这个镜头中，出现了明显的三段式结构： 1. 阶段一：镜头围绕歌手旋转约150度。 2. 阶段二：歌手从近处的舞台后退至远处的舞台，镜头跟随过去。 3. 阶段三：在5秒左右的时候，镜头再次围绕歌手旋转了大概100度！在 1 个 10 秒的视频中实现三个动态趋势的连接，同时它“顺便”完成了这些： 1. 并且维持了人物的一致性（除了面部有细微变化） 2. 观众作为背景也处在高幅度动态中，没有出现明显的过拟合和面部变形 3. 摇滚明星唱歌表演时的那股子疯劲儿演出的惟妙惟肖光是三段式的运镜以前就不敢想了，更何况还能维持稳定性和演出水准。非常强。而实现多段式镜头的基础，除了运镜的美学之外，就是语义遵循。多段式语义遵循下面这个动作镜头，应该是在这次测试里体现多段语义遵循的最佳示例。我们用最简单的提示词描写了四个核心动作：雇佣兵手持武器做了个滚翻，开了几枪，然后打开后面汽车的车门，钻进了汽车 No access 可灵 14 00:00 No access 可灵 14 00:00 我们一共只开了两次镜头，就得到了不错的结果。四个动作：翻滚、开枪、开车门、钻进车，每个动作都还原的很精准，除了开枪动作的第一发稍待商榷，其他没出现任何错位。有过 AI 视频经验的朋友应该能体会，正常情况下，模型能识别这其中 1 2 个动作就很不错了，更可贵的是，可灵 2.0 非常自然的衔接了四个核心动作，给人感觉相当流畅，就像真的动作电影一样。嗯，还要什么自行车啊。Runway Gen4？一比真的差很多。那么除了枪战之外，更多朋友关心的可能还是我们中国人自己的文化样式：武侠，玄幻，古风。但苦于 AI 模型对“武”的理解，以及武术动作本身的复杂性，我们一直不能使用 AI 进行很好的古风动作演出。但这次，事情可能有了变化。可以拍AI武侠片了以下这两组镜头，绝对是目前为止，我见到过对中国武术和仙侠还原最到位的 AI 影像，刚见到时真的有点看傻了。 No access 可灵 15 00:00 No access 可灵 15 00:00 雪中决斗：御剑飞天： No access 可灵 16 00:00 No access 可灵 16 00:00 又是非常惊人的两段演示：第一段的雪中比武，二者的招式、节奏都已经还原的有板有眼。而且整体动画中两个人物的姿态和动势，真的是在互相用招式攻击，而不是很多模型那种跳来跳去的瞎胡弄。 10s 的单镜头中，生成的招式有板有眼，仔细看每个动作的合理性，在动态模糊中几乎已经很到位了。再过 6 个月？不敢想。尤其是这个白衣武者空中翻腾后的下蹲蓄力，完成度太吓人了。还有，2.0竟然生成了揪住头发这种阴损招式，虽然对方应该是个秃头。这种对于“武”的理解，个人认为是决定性的进步，它带来一种可能：AI 是完全有希望拍复杂动作电影的。至于“ 御剑”这段飞行，有没有想起黑神话的开场？你很难指望 Runway和Sora（我为什么要提Sora）对中国文化的理解达到这种程度，白衣飘动，古道仙风，云雾缭绕。跪了，除了解析度（后面说），多少特效电影真能达到这个运镜和美学级别？