中国AI技术发展现状 - 中美AI技术差距从2022年显著缩小至2025年不足三个月，中国AI实验室和企业取得巨大进步 [2] - DeepSeek R1模型(2025年5月)与OpenAI o3同获68分评分，阿里巴巴Qwen3 235B A22B评分47分，中美语言模型能力接近 [2] - 中国通过技术创新实现跨越，如DeepSeek R1采用强化学习优化推理能力，参数规模达671B(活跃参数37B)，在MMLU-Pro等评测中表现优异 [2] 开放权重战略 - 中国头部实验室采用开放权重策略，与美国闭源形成对比，如阿里巴巴QwQ 32B Preview超越Meta Llama 3.1 405B成为最智能开源模型 [4] - 开放权重降低技术门槛，加速技术扩散并构建生态，如字节跳动Seedream 3.0吸引全球开发者二次开发 [7][8][9] - 阿里巴巴、腾讯、华为等企业2024-2025年陆续推出旗舰开源模型，形成技术共享共识 [9][10] 企业生态协同 - 大科技公司(阿里、腾讯、华为)提供底层模型和平台支持，如阿里ModelScope、华为Pangu系列配套芯片云服务 [16] - AI初创企业专注垂直领域：Moonshot AI专攻长文本处理，MiniMax优化轻量级边缘设备模型 [18] - 跨界玩家(小米、百度、360)将AI融入现有产品，如小米MiMo-7B增强小爱同学，360整合AI至安全软件和办公工具 [19][20] 多模态能力进展 - 中国图像生成模型快速追赶，字节Seedream 3.0(ELO 1111)接近Midjourney V6(ELO 1150)，阿里Seedream系列优化中文提示支持 [22] - 视频生成领域中国加速突破，快手Kling 2.0(ELO 1053)和阿里Wan 2.1(ELO 1039)虽落后Google Veo 3(ELO 1247)，但本土化应用突出 [25][26] - 大公司整合多模态能力：阿里ModelScope支持图像/视频功能，腾讯Hunyuan提供一站式多模态接口 [28][29] 中美AI竞争与合作 - 基础研究共享仍存空间，如Transformer架构和扩散模型曾依赖全球协作 [33] - 行业标准共建需求显著，中美共同参与联合国教科文组织等国际AI治理框架建设 [34][35] - 商业合作持续存在，中国企业需求英伟达芯片，美国企业寻求中国市场机会 [36]

AI视频生成技术发展 - AI视频生成技术进入快速爆发阶段，扩散模型展现出接近现实的生成效果，但速度瓶颈成为大规模应用的主要障碍 [1] - 当前主流视频生成模型（如Wan 2.1、HunyuanVideo）在单张H100 GPU上生成5秒720p视频需耗时30分钟以上，其中3D Full Attention模块占推理时间的80%以上 [1][6] Sparse VideoGen解决方案 - 加州伯克利和MIT研究者提出无需重新训练模型的加速方法Sparse VideoGen，通过挖掘注意力机制的空间与时间稀疏性，将推理时间减半 [2][4] - 该方法支持Wan 2.1、HunyuanVideo、CogVideoX等开源模型，适用于T2V和I2V任务，代码已开源并被ICML 2025收录 [4][8] 扩散式视频生成的性能瓶颈 - 基于Transformer的Video Diffusion Transformers（DiTs）在建模长时空依赖方面优势显著，但3D Full Attention带来巨大计算负担 [6] - Attention计算复杂度随分辨率和帧数呈二次增长，远高于普通图像生成模型 [6] Sparse VideoGen核心技术 - 识别Attention Map中的空间稀疏性（Spatial Head）和时间稀疏性（Temporal Head），分别负责局部空间一致性和跨帧时间一致性 [9][10][11][12] - 采用动态自适应稀疏策略，通过在线稀疏模式优化方法（Online Profiling）选择最优稀疏模式，仅需0.1%的Token采样即可实现精准预测 [15][16][17] 算子层优化 - 引入硬件友好的布局转换方法，将帧为主存储改为token为主存储，优化Temporal Head的内存访问模式 [20] - 定制化优化QK-Norm和RoPE模块，QK-Norm平均加速比达7.4倍，RoPE平均加速比达14.5倍 [21] 实验成果 - Sparse VideoGen在H100上使HunyuanVideo推理时间从30分钟降至15分钟，Wan 2.1从30分钟降至20分钟，PSNR稳定在29dB以上 [23] - 该方法展示视频生成模型可通过结构理解+自适应稀疏性实现性能突破，而非单纯扩大模型规模 [24]

自去年6月发布以来，可灵AI已经迭代升级20余次，最新发布的1.6模型在文本响应度、动态质量、模型画 面质量等方面均有明显的效果提升。在大模型测评网站 artificialanalaysis.ai 的排名中，可灵AI位列前 茅，技术实力处于国际第一梯队。 | CREATOR | NAME | ARENA ELO | # APPEARANCES | | --- | --- | --- | --- | | Google | Veo 2 | 1144 | 5,500 | | Kuaishou | Kling 1.5 (Pro) | 1080 | 78,730 | | S OpenAl | OpenAl Sora | 1076 | 98,442 | | MiniMax | MiniMax T2V-01 | 1064 | 122,840 | | Pika Art | Pika 2.0 | 1064 | 61,240 | | Alibaba | Wan 2.1 14B | 1063 | 5,326 | | 80 Kuaishou | Kling 1.6 (Standard) | 1056 | 34,054 | | -19 ...

克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 开源模型，还是得看杭州。 前脚发完QwQ-Max，阿里就在深夜开源了视频生成模型 Wan 2.1 ，14B参数直接 屠榜VBench ，什么Sora、Gen-3通通不是它的对手。 从官方Demo中看，复杂运动细节非常到位， 5个人一起跳hip-hop也能做到动作同步 。 而且在静态图像生成中都还是老大难问题的 文字 ，现在也被万相给攻克了。 当然了，14B的参数量说大不大，但在个人消费级显卡上本地部署还是比较吃力的。 不过14B （支持分辨率720P） 之外，还有一个1.3B的小号版本 （支持分辨率480P） ，在一块 4090上占用显存是8个多GB ，消耗时间4 分21秒。 如此观之，用12GB的 4070，也是能带动的 。 | | | | Computational Efficiency of Wan2.1 | | | | | --- | --- | --- | --- | --- | --- | --- | | | | | (time(s)/ peak memory(G)) | | | | | GPU | Model | Resolution | ...