1 月 9 日消息，阿里云通義萬(wàn)相迎來(lái)重磅升級(jí)，推出萬(wàn)相 2.1 視頻生成模型，在大幅度復(fù)雜運(yùn)動(dòng)、物理規(guī)律遵循、藝術(shù)表現(xiàn)等方面全面提升。根據(jù)權(quán)威評(píng)測(cè)榜單 VBench 的信息顯示，新版通義萬(wàn)相登上榜首位置，超越混元、海螺 AI、Gen3、Pika 等國(guó)內(nèi)外視頻生成模型。

　　通義萬(wàn)相登頂 VBench 榜單

　　VBench 是視頻生成領(lǐng)域的權(quán)威評(píng)測(cè)集，它一共有 16 個(gè)評(píng)分維度，從整體一致性、動(dòng)作流暢度、畫(huà)面穩(wěn)定性等方面對(duì)模型進(jìn)行全方位評(píng)估。VBench 榜單顯示，通義萬(wàn)相在運(yùn)動(dòng)幅度、多對(duì)象生成、空間關(guān)系等關(guān)鍵能力上拿下最高分，并以總分 84.7% 的成績(jī)斬獲第一。

　　精準(zhǔn)理解和模擬物理世界是當(dāng)下視頻生成模型的核心難題，現(xiàn)有模型生成的視頻在大幅運(yùn)動(dòng)、物理復(fù)雜場(chǎng)景表現(xiàn)較差，容易生成肢體扭曲、違背物理定律的視頻。針對(duì)這一難題，通義萬(wàn)相團(tuán)隊(duì)采用自研高效的 VAE 和 DiT 架構(gòu)，有效增強(qiáng)時(shí)空上下文關(guān)系建模能力。

　　在 DiT 的設(shè)計(jì)中，全新通義萬(wàn)相使用時(shí)空全注意機(jī)制，這一機(jī)制讓模型能夠更準(zhǔn)確地模擬現(xiàn)實(shí)世界的復(fù)雜動(dòng)態(tài)；團(tuán)隊(duì)還引入了參數(shù)共享機(jī)制，不僅提升了模型的性能，還有效降低了訓(xùn)練成本；此外，針對(duì)文本的嵌入進(jìn)行優(yōu)化，實(shí)現(xiàn)更優(yōu)的文本可控性的同時(shí)也減少了計(jì)算需求。

　　在視頻 VAE 方面，通義萬(wàn)相設(shè)計(jì)了一種創(chuàng)新的視頻編解碼方案。通過(guò)將視頻拆分成若干塊（Chunk）并緩存中間特征的方式，代替直接對(duì)長(zhǎng)視頻的 E2E 編解碼過(guò)程，實(shí)現(xiàn)顯存的使用與原始視頻長(zhǎng)度無(wú)關(guān)，從而能夠支持無(wú)限長(zhǎng) 1080P 視頻的高效編解碼，這一關(guān)鍵技術(shù)為任意時(shí)長(zhǎng)視頻的訓(xùn)練提供了新的路徑。

　　在全新架構(gòu)下，通義萬(wàn)相在大幅度的肢體運(yùn)動(dòng)和肢體旋轉(zhuǎn)場(chǎng)景的視頻生成上表現(xiàn)更穩(wěn)定，即便是花樣滑冰、游泳、跳水等運(yùn)動(dòng)視頻也能保持肢體協(xié)調(diào)并符合正常運(yùn)動(dòng)軌跡。通義萬(wàn)相在文字視頻生成上實(shí)現(xiàn)了突破，成為首個(gè)支持中文文字生成能力、且同時(shí)支持中英文文字特效生成的視頻生成模型，可滿(mǎn)足廣告設(shè)計(jì)、短視頻等領(lǐng)域的創(chuàng)作需求。

　　例如，用戶(hù)輸入“平拍一位女性花樣滑冰運(yùn)動(dòng)員在冰場(chǎng)上進(jìn)行表演的全景。她穿著紫色的滑冰服，腳踩白色的滑冰鞋，正在進(jìn)行一個(gè)旋轉(zhuǎn)動(dòng)作。她的手臂張開(kāi)，身體向后傾斜，展現(xiàn)了她的技巧和優(yōu)雅”，通義萬(wàn)相即可精準(zhǔn)理解語(yǔ)義，并生成一段接近專(zhuān)業(yè)滑冰運(yùn)動(dòng)員的視頻。

　　據(jù)悉，目前該模型已全面開(kāi)放，用戶(hù)可在通義萬(wàn)相官網(wǎng)直接免費(fèi)使用，個(gè)人開(kāi)發(fā)者和企業(yè)用戶(hù)還可在阿里云百煉調(diào)用通義萬(wàn)相 API，進(jìn)一步創(chuàng)造更豐富的 AI 工具和應(yīng)用。