刚刚，全球视频模型新王诞生了！SkyReels-V4登顶Artificial Analysis文转视频（含音频）全球榜

刚刚，全球视频模型新王诞生了！

来自天工AI的SkyReels-V4，没打招呼，直接登顶Artificial Analysis文转视频（含音频）全球榜，超越Veo 3.1、Sora 2。

一个月前，其Preview版本才刚拿下该榜全球第2。

没想到这才过去没多久，升级版的SkyReels-V4就直接冲到前排了。（os：好好好，既然这么猛，咱可不得去试试~）

辗转拿到内测资格后，我最大的感受是：

从第2到第1，这次升级绝非小修小补，而是一次整体能力的跃升。（只需看一眼榜单上的其他选手，你就明白这句话的含金量了）

你敢信，AI漫短剧这种当下爆火的搞钱项目，也能一次直出了！？

这也意味着，这次登顶背后最重要的不是分数变化，而是SkyReels-V4进一步把视频生成推到了一个新阶段——

从“生成片段”，走向可控、连续的完整视频生产（注意是生产！）。

时隔一月，SkyReels-V4再进化！

怎么说呢，如果用两个短语来形容SkyReels-V4这一个月以来的变化，那便是：

上限更高、能力更全。

从全球第2到全球第1，短短一个月时间，SkyReels-V4便把自己的上限又拔高了一截。

不过，比起证明自己“能飞多高”，这一次升级更重要的意义还在于——证明了自己“能飞得更稳、更久”。

相比之前，SkyReels-V4这次迎来了两大核心升级：

• 全模态强化学习体系全面升级
• 新增关键帧参考与网格参考能力

按下具体内容不表，这两大升级本质上是在讲一件事：

视频能不能同时满足既好看，又讲得通，还能按你的想法来。

先说第一个——全面升级后的全模态强化学习体系如何让视频“讲得通”。

假设AI拿到的提示词是：一位演员在雨中奔跑，情绪从紧张到释然，最后停下抬头微笑。

过去模型大概率会出现前后情绪不连贯、动作跳跃等明显不合逻辑的问题，但这次V4的变化在于——

它不再只是机械地按照提示词“拼画面”，而是开始理解整个过程的逻辑。

为了实现“讲得通”这一点，天工AI有两个动作：

一是搭建全模态语义Reward模型，给模型一个“全局评判标准”，告诉模型不要只看单帧好不好，还要看整段视频是否合理。

二是采用阶梯式课程强化学习路径，让模型从分辨率与时长、任务复杂度、数据难度三个维度，由简入繁掌握复杂能力。比如先学拍5秒的静物，再学拍10秒的走路，最后才学拍15秒的复杂剧情。

听起来可能有点晦涩，别急，咱直接上视频。

最近“龙虾”不是很火嘛，所以我们就让SkyReels-V4生成了一段《龙虾军团占领你的电脑》的故事情节。

瞅瞅这最后的黑屏和配音，你就说留给人的想象空间大不大吧（doge）。

而且画质和时长都来到了电影级的1080p、15秒，音效还是自带的那种，谁看了不说夯！？

当然说回“懂逻辑”这件事上，咱还得对照原版提示词细细比对一下：

提示词：龙虾军团占领电脑（电影级短片）

[镜头1 特写] 黑暗中，无数鼓胀的黑色眼睛瞬间睁开，瞳孔反射霓虹光，内部翻涌液态金属红光。镜头推向其中一只眼睛深处——倒映着你的电脑桌面图标。音效：次声波嗡鸣+虾壳摩擦的咔哒声。

[镜头2 微距] 一只披挂赛博格装甲的波士顿龙虾，用机械强化的巨螯精准撬开电脑机箱缝隙。装甲上刻满流动蓝色数据能量的符文。音效：金属回音的咔嚓声+高压电流滋滋声。

[镜头3 主观视角] 从机箱内向外看——电容电阻构成摩天大楼森林，微型闪电在主板上噼啪作响。音效：金属质感的城市环境音+诡异的电子电流交响乐。

[镜头4 广角] 成千上万龙虾士兵如赤色潮水涌入硬盘，机械装甲与显卡背板碰撞溅出火星。巨大的指挥官龙虾端坐CPU核心，甲壳上实时投影你的屏幕内容。音效：金属碰撞声+整齐行军咔嚓声+虾壳战鼓声。指挥官发出超声波鸣叫，所有声音戛然而止，只剩风扇呼啸和你的心跳。

[镜头5 特写] 显示器上，无数微型龙虾蠕动着排列成血红色字幕："SURRENDER YOUR FILES." 死寂3秒后，所有系统警报同时炸响，画面黑屏，只剩尖锐蜂鸣音。

上下滑动，查看更多

由于提示词采用了分镜+音效这种高级技巧（纯纯让AI帮忙写的hhh），结果大家也都看到了：

SkyReels-V4基本把“鼓胀的黑色眼睛瞬间睁开”、“赛博龙虾用巨螯精准撬开电脑机箱缝隙”、“成千上万龙虾士兵如赤色潮水涌入硬盘”这些情节都get到了，整个画面衔接和音画搭配也令人通体舒畅。

再说第二个——两个全新功能如何让模型的生成过程更可控，“按你想的来”。

“关键帧参考”想必大家都不陌生，毕竟目前市面上很多视频模型也会提供首帧、尾帧参考这样的类似功能。

而SkyReels-V4的特殊之处在于——以量取胜。

就是说，你现在可以给AI提供很多张关键帧，关键转折全听你的，其他中间画面全都靠模型自动补全。

具体打开方式be like（以下均选自官方demo）：

几张关键帧图片分别如下：

然后啪的一下，一个融合所有关键帧的视频片段就这样水灵灵地诞生了：

而“网格参考”就更加一目了然了，这个功能基本就是为短剧（含AI漫短剧）量身定制的。

用户一次可上传至多9张剧情关键帧，模型会稳定提取并保留角色特征与场景风格，然后生成逻辑完整、角色与场景全程连贯的叙事视频。

根据@图片-1中的动漫情节，按从上到下、从左到右的顺序自然过渡展开，生成一个动画短片。

和“关键帧参考”强调控制剧情节奏和动作连贯性相比，这个功能主要用于锁定角色一致性和视觉风格。

换言之，前者侧重理解图片的时序关系，后者主要抓图片的共同特征。

瞅瞅下面这个新鲜出炉的视频，不说还真以为是哪部动漫里的片段呢~

最终，如果将上述升级放在一起来看——

当模型变得既懂逻辑、又更加可控的时候，视频生成的分水岭，无疑便悄然出现了。

因为从这一刻起，视频生成不再是“随缘抽卡”，而是可以拆解、可以设计、可以稳定复现的创作流程。

从“生成”到“生产”，一字之差，拉开的却是视频工业化时代的序幕。

以及需要提醒，这次的SkyReels-V4或许还不是最终版本。

因为据小道消息，SkyReels-V4要到月底的中关村论坛年会期间，才会正式发布。

只能说，按照天工AI这位“卷王”的速度，到时候能拿出什么来，还真不好说。

从技术到应用，齐活了！

再说视频生成工业化这件事。

听名字你就知道这是个大工程了，所以咱们单讲某个模型肯定是不够的。

而天工AI更是早就意识到了这一点——与其追逐一时的能力堆叠，不如提前把整套体系搭起来。

所以我们现在回头看，会发现他们其实一直在做一件事：

从单点生成能力出发，一路打通多模态，再延伸到完整内容生产链路，把工业化所需的“地基”一点点铺好。

而SkyReels-V4，恰好是这套体系的一次集中展示。

从底层技术开始，SkyReels-V4的设计思路就很清晰——不是“叠能力”，而是“做统一”。

只需看一眼技术报告中提到的几个核心卖点，你就明白了。

其中，自研对称双流MMDiT架构，从底层就把音、视频焊在了一起；全模态参考，则把文本、图像、视频、音频、遮罩等所有输入形式统一到一个框架下处理。

这意味着什么？以前需要多个模型接力、多次手动对齐的活儿，现在一次生成、全搞定，工程复杂度大大降低。

再叠加对清晰度、帧率、时长的整体提升，以及本次升级对逻辑和可控性的全面补强，视频生成迈入生产级落地的条件便逐渐成熟——

此时，视频输出不再是零散片段，而是更接近可以直接使用的完整内容。

而当技术和模型都做好准备之后，这套完整视频创作能力的“最佳试验场”也已经出现了——短剧。

相信最近一阵大家看了很多“xx小团队用AI制作短剧一夜走红、一夜暴富”的故事，虽然听着玄乎，但仔细想想，短剧确实是非常适合AI落地的场景。

一方面，短剧天然契合“高频、标准化”的内容生产逻辑。

它更新节奏快、集数多、时长短，对产能要求极高——本质上采用的是一种高度流水线化的生产模式。

而AI擅长的，恰恰是把这类可拆解、可复用的流程规模化放大。从剧本、分镜到画面生成，每一个环节都可以被标准化处理、批量产出。

另一方面，短剧对视频质量的需求，刚好卡在AI能力的舒适区。

它不追求电影级的极致质感，但对剧情连贯性、角色一致性和整体观感有明确要求——只要“顺、稳、不出戏”，就已经足够成立。

而且相比真人拍摄，AI在控制成本、快速迭代上的优势，还在这里被进一步放大了。

总之用AI搞短剧的优势还是很明显的，也正因此，天工AI也把SkyReels-V4应用在了自家短剧平台——DramaWave（江湖外号“AI版Netflix”）身上。

作为2024年10月上线的海外付费短剧平台，DramaWave当前月活已突破8000万。

这一成绩也从侧面表明，在用AI实现短剧工业化量产的这条路上，他们已经跑通了从技术→产品→商业化的完整闭环。

当然，也不止是短剧。

当底层能力被统一之后，这套生产方式毫无疑问是可以被复用的——

无论是游戏过场动画、音乐视频，还是更广义的内容生态，都可以共享同一套视频生成底座。

换句话说，在用SkyReels-V4干点什么这件事上，短剧只是起点。

“龙虾”当道，为什么还有人死磕视频？

但把视角拉回当下，这次SkyReels-V4的登顶，本身就挺耐人寻味。

毕竟很多人看到这则消息，第一反应估计都和我一样：

第一眼，噢不是“龙虾”；第二眼，嗯？竟然不是“龙虾”？

那么问题来了——为什么在“龙虾”占据当前叙事中心的阶段，还有人盯着视频不放？

只能说，越是在这种时候，反而更容易看清一件事：

一家公司的重心在哪里，以及它真正想做的，又是什么。

而对天工AI而言，这些问题的答案其实一直很清晰——

不追逐一时的热点，重点围绕“原生多模态”，把底层能力一层一层搭起来。

• 早期从文生图、图生图起步，先把画面生成质量和指令对齐能力做到位；
• 然后通过推出SkyReels系列，把相关能力从“静态”推进到“动态”，做文生视频、图生视频；
• 再慢慢把声音补进来，旗下自研音乐模型Mureka系列让多模态不再只有“看”，也能开始“听”。

再然后，这条路径也开始从“叠buff”，转向“融合大一统”。

从天工AI最新发布的SkyReels-V3、SkyReels-V4身上，我们就已经看到了这种多模态融合趋势——

音画是同步生成的、多模态条件可以被统一接入、生成和编辑修复被统一进同一套架构里。

到了这时，“多模态”便成了一套可用、可复用、可规模化的基础设施。

而且，如果把视角再拉开一点，我们会发现这条“线”已经慢慢铺成了一个“面”。

从底层技术→模型→产品商业化落地，天工AI已经靠多模态搭建起了一套完整、可循环的AI体系。

就以前面提到的DramaWave为例，短剧的视频可以从SkyReels-V4来、各种配乐可以从Mureka平台调……所有需要的东西都能在自家生态里一站式解决。

更重要的是，商业化带来的不仅是收入，也在持续反哺研发；而用户的点击、停留与付费行为，则不断回流为反馈数据，驱动模型与生产流程迭代，最终形成一个持续自我强化的正向循环。

所以，如果回到开头的问题，对天工AI而言答案就是如此easy——

真正的多模态时代，从来不只是一种单一能力的胜出，而是图像、视频、音频乃至交互方式的整体协同。

SkyReels-V4的登顶只是其中一环，从All in AGI与AIGC开始，昆仑万维就认准了“原生多模态”这件事，后来的每一步都是在补一个个能力缺口。

最终，所有的一切都将沉淀为一套可复用的底层基础设施，并在其之上持续“开花结果”。

也正是在这样的路径之下，很多事情注定不会一蹴而就，也未必总在聚光灯下。

只能说，热闹之外，总有人正在把一件更底层、更长期的事情，一点点做成。

榜单地址：https://artificialanalysis.ai/video/leaderboard/text-to-video?audio-output=true

API地址：https://www.skyreels.ai/api-platform

论文地址：https://arxiv.org/abs/2602.21818

文章来自于微信公众号 “量子位”，作者 “量子位”