1. 阿里巴巴通义万相2.1（WanX 2.1）
- 技术架构：基于Diffusion Transformer（DiT）架构，结合自研的高效变分自编码器（VAE）和Flow Matching训练方案，支持时空上下文建模。
- 参数规模：提供14B和1.3B两种参数规格，后者支持本地部署（仅需8.2GB显存）。
- 生成能力：
- 支持无限长1080P视频的高效编解码，首次实现中文文字视频生成。
- 可生成复杂运镜效果，并还原物理规律（如雨滴溅水效果）。
- 应用场景：广告设计、宣传片、短视频创作。
- 性能指标：
- 在VBench评测中以86.22%得分位居榜首，超越Sora、Luma等模型。
- 生成速度比原有SOTA模型快2.5倍，运动质量指标达商用级别。
2. 腾讯混元大模型（Hunyuan Video）
- 技术架构：130亿参数的图生视频模型，基于Hybrid-Mamba-Transformer混合架构，支持中英文输入和多尺寸视频生成。
- 生成能力：
- 生成5秒短视频，支持对口型、唱歌功能及动漫角色制作。
- 提供视频配音与数字人驱动功能。
- 应用场景：写实视频、广告、教育内容。
- 性能指标：
- 在文本一致性、运动质量等评测维度领先，总体评分41.30%，显著高于第二名。
3. 阶跃星辰Step-Video-T2V
- 技术架构：300亿参数的Diffusion Transformer（DiT），采用Flow Matching训练和3D全注意力机制，支持动态幅度与镜头轨迹控制。
- 生成能力：
- 生成204帧（约8秒）540P视频，支持复杂动作（如芭蕾舞）和物理规律复现。
- 通过通道维度拼接技术保持画面与原图一致性。
- 应用场景：动画制作、短视频创作、教育培训。
- 性能指标：
- 在VBench-I2V基准测试中达到SOTA级别，运动控制能力突出。
4. Open-Sora 2.0
- 技术架构：基于3D自编码器和MMDiT架构（Masked Motion Diffusion Transformer），11B参数，结合Flow Matching训练。
- 生成能力：
- 支持720P分辨率、24 FPS视频生成，最长128帧，支持文生视频（T2V）和图生视频（T2I2V）。
- 训练成本仅20万美元（224张GPU），接近闭源模型性能。
- 应用场景：影视预演、广告创意、游戏开发。
- 性能指标：
- VBench评测与Sora差距缩小至0.69%，用户偏好测试超越HunyuanVideo等模型。
5. 昆仑万维SkyReels-V1
- 技术架构：13B参数，基于好莱坞影视数据训练，集成3D因果卷积和自研推理优化框架「SkyReels-Infer」。
- 生成能力：
- 支持33种微表情和400+自然动作组合，生成544P分辨率视频。
- 单卡4090推理仅需80秒，支持分布式多卡并行。
- 应用场景：AI短剧创作、电影特效。
- 性能指标：
- 在开源视频生成模型中性能最强，画面达电影级质感。
6. LTX Video
- 技术架构：基于DiT和潜在扩散模型（Latent Diffusion），采用高压缩比Video-VAE（1:192）。
- 生成能力：
- 实时生成768×512分辨率、24 FPS视频（2秒生成5秒视频）。
- 支持文生视频和图生视频，画面过渡自然。
- 应用场景：广告、短视频、游戏图形升级。
- 性能指标：
- 在速度和视觉质量上超越传统模型，支持低显存设备运行。
7. 智谱CogVideoX
- 技术架构：基于3D因果VAE和专家Transformer，支持INT8量化（显存需求7.8GB）。
- 生成能力：
- 生成6秒、720×480分辨率视频，支持低显存显卡（如1080 Ti）。
- 通过渐进式训练生成长时动态视频。
- 应用场景：教育、影视预演。
- 性能指标：
- 在人类评估中表现SOTA，支持多分辨率帧打包。
总结对比
| 模型 | 参数规模 | 分辨率/帧率 | 核心优势 | 应用场景 |
|---|---|---|---|---|
| 通义万相2.1 | 14B/1.3B | 1080P/不限长 | 中文文字生成、物理规律复现 | 广告、短视频 |
| 腾讯混元 | 130B | 多种尺寸/5秒 | 对口型、多语言支持 | 写实视频、动漫 |
| Step-Video-T2V | 300B | 540P/8秒 | 动态控制、复杂动作生成 | 动画、特效 |
| Open-Sora 2.0 | 11B | 720P/24 FPS | 低成本、高性能 | 影视预演、教育 |
| SkyReels-V1 | 13B | 544P/80秒推理 | 微表情与动作组合 | AI短剧、电影特效 |
| LTX Video | - | 768×512/24 FPS | 实时生成、高压缩比 | 广告、游戏 |
| CogVideoX | - | 720×480/6秒 | 低显存需求、长视频生成 | 教育、影视预演 |
关键趋势
- 技术突破：主流模型普遍采用DiT架构和3D VAE，显著提升时空建模能力。
- 开源生态：阿里、腾讯、阶跃星辰等企业推动模型开源，加速技术普及。
- 应用扩展：从短视频生成向影视、教育、游戏等专业场景延伸。
这些模型的开源降低了AI视频生成门槛，推动了多领域创新，未来将进一步缩小与闭源模型的差距。