这回，世超掏着一个据说不一样的视频模型：sand.ai的Magi-1。

具体有啥不一样？我们先翻了翻sand.ai的资料，发现他们团队还真是有点来头。

创始人曹越和联创张拯早在2021年就展开了合作，共同推动万引神文Swin Transformer的发展。他们曾经都是科技界的黄埔军校 —— 微软亚洲研究院的员工。曹越还创办了光年之外。

在强强联手的buff加持下，sand.ai创立仅仅一年多就拥有了自己的第一个视频生成模型Magi-1。

据说Magi-1是现在市面上唯一一款能进行无限时长视频续写的模型，还能精细化控制到每一秒生成的内容。

当前视频生成模型的极限普遍在几十秒以内，像可灵那样一分钟以上的视频非常少见。要生成更长的视频，那是另一个不同的技术问题，另外的价钱也无法解决，这是底层模型的技术限制。

而Magi-1支持无限时长的续写功能，还可以每次同时生成最多16个1秒到10秒的视频。

不仅仅是技术有创新，sand.ai还表示，他们已经在4月21日开源了模型，并同步上线产品示范。

连业界大佬都发文力挺sand.ai，李开复的发帖，这是继DeepSeek之后又一个开源的世界级模型。

美团创始人王慧文也为sand.ai这波开源发声：“只有科技的不断前行，才能挽救人类掉入零和游戏的深渊。”

我们对几个官方案例进行了翻阅，发现确实存在一些有价值的信息。

蓬勃的运动速度，带着激越的能量！

再看看这丝滑的镜头转换！

这一下子让世超有点期待了。

然而，需要先冷静下来。测试结果表明，想法具有很大的潜力，具备优势和特色，但生成的效果仍需要进一步提升。

我们先捕捉到梦中情车的正面特写慢镜头，准备续写接下来世超驾驶 Lamborghini 秋名山车神再世的画面。

在测试的过程中，我们发现Magi-1对运动速度和镜头的控制确实非常出色。兰博基尼在路上的疾驰效果被完美地呈现出来，镜头也富有电影般的感官体验，始终聚焦于跑车的精彩表现。

Magi-1还有一个很明显的优点，即对视频主要物体的保护达到极高的标准。它不会出现在多次续写后，物体形状发生剧烈变化的情况，如跑车变身大黄蜂等。

它对物理环境的理解也非常正确，车辆始终保持在地面上，没有出现任何低空飞行或其他不寻常的操作。

然而，Magi-1似乎有些健忘。比如前三段生成的视频都清楚地表明车后是一面墙，结果第四段却直接展现了一个倒车摆尾，丝滑地上路了。

然而，场景理解自从上路就越来越抽象了。除了克苏鲁风绿化带，提示词让它在红灯前刹车，遵循交通规则的本意，它却直接来个交通肇事。

虽然确实是在红灯前刹车，没毛病。

然而，我们接下来的测试发现，效果不佳，也不能完全归咎于模型，因为可能是提示词出了问题。

Magi-1的提示词增强机制可以将简单的提示词扩展成更详细、易于模型理解的指令，但是在实际应用中，这个机制却出现了添油加醋、假传圣旨的现象。

让小鸡玩具跳起来，挑战自己给自己加上难度，同时让小鸡扇动翅膀。

但如果我们把提示词复制一遍，只删掉扇翅膀的要求，关掉提示词，使我们能够快速地把握主要信息，视频效果立刻好起来了。

左图有扇翅膀提示词，右图去掉扇翅膀提示词。

请提供要修改的段落内容，我将对其进行语言润色，提升表达质量。

效果看起来并不错，环境没有崩溃，小鸡也没有崩溃，镜头确实移动了。

所以这里有个小小的功能改进建议嗷：

在进入视频生成环节之前，最好让大家伙儿关注增强的提示词是否准确，为大家提供一个修改提示词的机会。

毕竟生成一次还是需要等待挺久的，要是最后才发现中间提示词被魔改了，有点搞心态。

这也侧面反映了 Magi-1 对于提示词的非常敏感和高要求。想要使用好它，需要了解什么样的提示词才能让它发挥出最佳的效果。

看完测试，你可能觉得，这个模型有点拉呀，现在生成效果比这个好的多的是，为啥把它拿出来说？要知道，这个模型并不是最新的版本，我们的团队一直在努力地改进和优化，它的性能和效果会随着时间的推移而不断提高。

由于它与我们熟悉的 Sora 等非自回归 DiT 模型（Diffusion Transformer）的技术路线完全不同，是一个自回归生成模型（Autoregressive model），具有独特的架构和生成机理。

作为一次创新尝试，它展现出独特的优势和潜力。

AR 模型就像一条环环相扣的锁链，每一次生成视频的新一帧，都在前一帧的基础上建立起紧密的联系。这样生成的视频相邻帧之间就会具有强烈的相关性和连续性。

而 DiT 模型更像是一条伪装成锁链的铁环链条，它为了提高效率，会同时生成大量帧；然而，它却无法兼顾帧与帧之间的关联和逻辑关系。

为什么sand.ai要尝试一条新路，选择和主流视频生成都不一样的 AR 模型呢？正是因为它们认为，当前市场中的 AR 模型大多数都是基于传统计算机视觉和深度学习的技术，并且这些技术都存在一定的局限性和挑战。例如，传统计算机视觉技术通常需要大量的人工标注数据，而深度学习技术则需要大量的计算资源和数据存储空间。因此，sand.ai认为，需要一种新的 AR 模型，它可以更好地适应复杂的实际应用场景，并且可以更好地融合人工智能和计算机视觉技术。

我们对sand.ai团队进行了简短的采访，获得了对Magi-1的专业和长远解释。

sand.ai声称，他们早已洞察到了AR模型在视频生成领域的潜力，远在Sora发布前。他们坚持AR的开发，因为它在大语言模型上已经被证实是可扩展的（scalable），这种可扩展性在很大程度上决定了这个技术在未来的发展上限。

理论上，AR 模型和语言模型的技术路线更趋近，有可能让语言和视频统一建模，使文字和视频之间的关系就像现在文生图一样紧密，效果有可能实现一次跃迁。

另一方面，视频随着时间的推移往往显示出物理和逻辑的深入相关性。例如，篮球如果被篮筐拦住，它便会终止掉落的过程。

下图是用Magi-1生成的。

DiT每帧独立生成的方式可能会中断这种关联，导致篮球直接穿透篮筐。而AR则更好地理解视频内容，不仅内容合理，还在运动幅度和速度上表现出更加逼真的效果。

虽然技术路线目前还没有完全成熟，但sand.ai 相信 AR 将是未来。随着技术的不断迭代，也许将会找到最合理的 AR 模型视频生成的方式。

因此，按照他们的说法，在对技术进行全面而理性地分析后，sand.ai 对 AR 视频生成进行了深入的探索。

在视频生成领域的火爆浪潮中，sand.ai的出现似乎晚了些，但是在AR视频生成的更高维度上，他们却率先而至。

最重要的是，sand.ai这波开源，属实格局拉满。

科技行业的每一次重大开源都会带来一场百花齐放的景象。期待sand.ai未来的更多产品，以及更多团队在Magi-1基础上激发的创新成果。