在自然語言處理領(lǐng)域，一個(gè)引人矚目的現(xiàn)象正在顯現(xiàn)：傳統(tǒng)的通過增加模型規(guī)模和數(shù)據(jù)量來提升性能的Scaling Law似乎已逼近瓶頸。業(yè)界開始擔(dān)憂，單純依賴這種策略或許已難以帶來顯著的性能飛躍，低精度訓(xùn)練和推理正使得模型性能提升的邊際效益逐漸遞減。然而，在自然語言處理遭遇挑戰(zhàn)的同時(shí)，多模態(tài)模型領(lǐng)域卻似乎尚未觸及這一限制。

多模態(tài)數(shù)據(jù)，涵蓋圖像、視頻、音頻等多種類型，因其信息豐富度、處理方法和應(yīng)用領(lǐng)域的復(fù)雜性，難以達(dá)到大規(guī)模訓(xùn)練的標(biāo)準(zhǔn)。因此，Scaling Law在多模態(tài)領(lǐng)域尚未得到充分驗(yàn)證。但這一現(xiàn)狀即將發(fā)生改變。清華系大模型公司生數(shù)科技最新發(fā)布的Vidu 1.5，正引領(lǐng)多模態(tài)領(lǐng)域邁向新的發(fā)展階段。

Vidu 1.5通過持續(xù)的規(guī)模擴(kuò)展（Scaling Up），已達(dá)到了一個(gè)關(guān)鍵的“奇點(diǎn)”時(shí)刻，涌現(xiàn)出了強(qiáng)大的“上下文能力”。這一能力使模型能夠理解并記憶輸入的多主體信息，展現(xiàn)出對(duì)復(fù)雜主體更為精準(zhǔn)的控制。無論是細(xì)節(jié)豐富的角色還是復(fù)雜的物體，僅需上傳不同角度的三張圖片，Vidu 1.5便能確保單主體形象的高度一致。

Vidu 1.5的突破不僅限于單主體控制，還實(shí)現(xiàn)了多主體之間的一致性。用戶能夠上傳包含人物角色、道具物體、環(huán)境背景等多種元素的圖像，Vidu能夠?qū)⑦@些元素?zé)o縫融合，實(shí)現(xiàn)自然交互。這一能力標(biāo)志著多模態(tài)模型在主體一致性方面取得了重大進(jìn)展。

Vidu在主體一致性方面的成就，不僅得益于Scaling Law的發(fā)揮，更源于其采用的無微調(diào)、大一統(tǒng)的技術(shù)架構(gòu)方案。當(dāng)前主流的視頻模型為實(shí)現(xiàn)一致性，大多采用在預(yù)訓(xùn)練基礎(chǔ)上針對(duì)單個(gè)任務(wù)進(jìn)行微調(diào)的LoRA方案。而Vidu的底層模型則跳出了這一框架，做出了開拓性的改變。這一改變與生數(shù)科技一貫堅(jiān)持的通用性理念相契合，通過統(tǒng)一的底層模型技術(shù)架構(gòu)，無需單獨(dú)進(jìn)行數(shù)據(jù)收集、標(biāo)注和微調(diào)，僅需1到3張圖即可輸出高質(zhì)量視頻。

回顧大語言模型的發(fā)展歷程，從GPT-2到GPT-3.5的質(zhì)變，同樣實(shí)現(xiàn)了從預(yù)訓(xùn)練+特定任務(wù)微調(diào)向統(tǒng)一框架的突破。Vidu 1.5的推出，標(biāo)志著多模態(tài)大模型正經(jīng)歷著類似于GPT-3.5的時(shí)刻。這一突破不僅體現(xiàn)在技術(shù)上，更在于設(shè)計(jì)理念上的革新。

生數(shù)科技CTO鮑凡表示，公司不會(huì)盲目追隨Sora等已有模型的路線，而是從一開始就瞄準(zhǔn)通用多模態(tài)大模型的目標(biāo)，進(jìn)行自主研發(fā)。從全球首個(gè)基于Diffusion的Transformer架構(gòu)U-ViT的發(fā)布，到首次實(shí)現(xiàn)用統(tǒng)一架構(gòu)處理泛化任務(wù)，生數(shù)科技不僅擁有先發(fā)優(yōu)勢(shì)，更具備持續(xù)突破的能力。Vidu與業(yè)界其他視頻生成模型相比，已形成明顯的技術(shù)代差。

在主體一致性這一難題上，Vidu取得了顯著成果。鮑凡比喻道，這就像制造一臺(tái)好的發(fā)動(dòng)機(jī)，雖然知道其重要性，但實(shí)現(xiàn)起來卻異常艱難。包括Sora在內(nèi)的國內(nèi)外視頻模型，在主體一致性方面均未取得突破。而Vidu則從上線之初就主打解決一致性問題，并逐步拓展到對(duì)單主體整體形象的控制，直至最新版本的Vidu 1.5，已能夠?qū)崿F(xiàn)對(duì)單主體不同視角的高度精準(zhǔn)控制，并攻破多主體控制的難題。

Vidu的技術(shù)方案與業(yè)界主流存在顯著差異。其他家仍局限于預(yù)訓(xùn)練+LoRA微調(diào)的方案，存在數(shù)據(jù)構(gòu)造繁瑣、訓(xùn)練時(shí)間長、易過擬合、無法捕捉細(xì)節(jié)等缺點(diǎn)。而生數(shù)則通過統(tǒng)一的底層模型技術(shù)架構(gòu)，無需單獨(dú)進(jìn)行數(shù)據(jù)收集、標(biāo)注和微調(diào)，僅需少量圖片即可輸出高質(zhì)量視頻。這一架構(gòu)的統(tǒng)一性不僅體現(xiàn)在問題形式上，更體現(xiàn)在底層設(shè)計(jì)上，與Sora的DiT架構(gòu)存在本質(zhì)區(qū)別。

隨著高質(zhì)量數(shù)據(jù)的一同擴(kuò)展，Vidu在底層視頻生成模型上也觀察到了類似于大語言模型的智能涌現(xiàn)現(xiàn)象。例如，Vidu 1.5能夠融合不同主體，創(chuàng)造出全新的角色，這是之前未曾預(yù)料到的能力。其智能涌現(xiàn)還體現(xiàn)在上下文能力提升和記憶能力增強(qiáng)上，能夠?qū)崿F(xiàn)對(duì)視頻中角色、道具、場景的統(tǒng)一控制。

Vidu在上下文能力方面的迭代節(jié)奏緊湊，從初期僅能參考單一主體的面部特征，到現(xiàn)在能參考多個(gè)主體，未來預(yù)期可以實(shí)現(xiàn)參考拍攝技巧、運(yùn)鏡、調(diào)度等更多因素。這一過程中，參考對(duì)象從具體到抽象，要求和難度逐漸提升。由于目前還沒有針對(duì)視頻模型上下文能力的開源解決方案，Vidu 1.5在這一領(lǐng)域形成了自己的技術(shù)壁壘。