豆包“王炸”，字节版Sora来了，有多厉害？|翻译|sora|ai|大模型

用微信扫码二维码

分享至好友和朋友圈

出品｜网易科技《态度》栏目

具备掀桌子实力的玩家下场了。跳动正式宣告进军视频生成。

日前，旗下火山引擎一举发布了视频生成-PixelDance、豆包视频生成-Seaweed两款大模型，面向企业市场开启邀测。而字节版的主要特点，是能实现自然连贯的多拍动作与多主体复杂交互。做到这点并不容易。

从策略上看，火山引擎的思路是，先在ToC打磨产品，模型能力具备竞争优势后开始拓展ToB市场。我们注意到，豆包视频生成模型的早期版本早在今年2月就在即梦（Dreamina）上应用，并且持续迭代优化。这次官宣，说明火山引擎做好了十足的把握。

破局多主体互动和一致性难题

据火山引擎介绍，豆包视频生成模型基于 DiT 架构，通过高效的DiT融合计算单元，让视频在大动态与运镜中自由切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。

基于此，全新设计的扩散模型训练方法攻克了多镜头切换的一致性难题，在镜头切换时可同时保持主体、风格、氛围的一性。

这被称为是这次豆包视频生成模型“独树一帜的技术创新”。

这样的泛化能力，正是当下，豆包视频生成模型的想象空间，出手ToC，剑指ToB。

大模型要从卷价格走向卷性能了

火山引擎总裁谭待说，大模型的应用成本已经得到很好解决。大模型要从卷价格走向卷性能，卷更好的模型能力和服务。

据披露，截至9月，豆包语言模型的日均tokens使用量超过1.3万亿，相比5月首次发布时猛增十倍，多模态数据处理量也分别达到每天5000万张图片和85万小时语音。

谭待认为，大模型价格已不再是阻碍创新的门槛，随着企业大规模应用，大模型支持更大的并发流量正在成为行业发展的关键因素。

谭待透露，业内多家大模型目前最高仅支持300K甚至100K的TPM（每分钟token数），难以承载企业生产环境流量。例如某科研机构的文献场景，TPM峰值为360K，某汽车智能座舱的TPM峰值为420K，某AI教育公司的TPM峰值更是达到630K。为此，豆包大模型默认支持800K的初始TPM，还可根据需求灵活扩容。

性能之外是服务，这次，豆包大模型不仅新增视频生成模型，还发布了豆包音乐模型和同声传译模型，已全面覆盖语言、语音、图像、视频等全模态，可以满足不同行业和领域的业务场景需求。

然而，豆包大模型的杀手锏还有生态。

今年5月，火山引擎与 OPPO、vivo、荣耀、小米、三星、华硕宣布成立智能终端大模型联盟。同在5月，火山引擎联合中国电动汽车百人会与一汽、吉利、长城、广汽、捷途、智己等20余家厂商，宣布成立汽车大模型生态联盟。8月，汽车大模型生态联盟迎来第二批成员单位加入，包括领克汽车、吉利银河、几何汽车、上汽荣威、上汽名爵、雄狮科技、大圣科技等厂商。还有今年8月，火山引擎携手多点DMALL成立零售大模型生态联盟，联盟首批成员包括物美集团、抖音电商、抖音生活服务、百胜、麦当劳、中国飞鹤、海底捞、居然之家、南7-11、重庆百货、百果园、波司登、天虹、三得利、绝味、名创优品、NielsenIQ、电通等。

雄心勃勃的豆包大模型已经迫不及待在企业市场大展拳脚。在ToC市场一骑绝尘的豆包，正在以全家桶的形式卷土重来。

豆包能否复制豆包，拭目以待。

破局多主体互动和一致性难题

大模型要从卷价格走向卷性能了