视频生成模型
技术路线已收敛（2026）：GAN→Diffusion→DiT。主流（Sora 2、Veo 3.1、可灵 3.0、Seedance 2.0）全部是 潜空间 DiT + 时空 Patch + 视频压缩网络 范式。
四步流水线
数据：视频-文本对流水线（质量过滤→镜头切分→关键帧→多模态打标），课程学习由易到难
视频 VAE：3D 时空压缩，空间 8× + 时间 4-8×，压缩比 256-512×（否则 1 分钟 1080p 视频 33GB 无法建模）
DiT 骨干：3D Patch 嵌入 + AdaLN-Zero + 空间-时间分解注意力 + Flow Matching（去噪步数 1000+ → 10-50 步，"直线传输"替代"随机游走"）
推理优化：少步蒸馏 + KV Cache + 稀疏注意力；后处理：超分、插帧、条件控制（图生视频/首尾帧）
2025-2026 关键进展
音频原生同步：Veo 3 / Sora 2 / 可灵生成画面同时产出对话、音效、环境声（口型同步）
中文语义理解：可灵/Vidu 原生支持成语、古诗词意境（国产护城河）
Arena ELO：可灵 3.0（1241 分）曾登顶；榜单轮流转手于字节/快手/Google/OpenAI
数据决定胜负：架构大家都 DiT，70% 差距来自数据（可灵短视频数据、Seedance 多镜头叙事、Veo 电影数据）
商业落地：短视频内容工厂（单人日产 1→15 条）、TVC 预演（成本降 90%+）、电商主图视频化（CTR +15-30%）、影视分镜预演（2 周→6 小时）。
下一步看点：从"像素生成器"进化为"世界模拟器"——理解物理因果、长视频叙事。与第二十二篇世界模型同频