可灵2.0成“最强视觉生成模型”？自称遥遥领先OpenAI、谷歌，技术创新细节大揭秘！
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
可灵AI创作者作品
整理|褚杏娟、华卫
刚刚，可灵AI面向全球正式发布可灵2.0视频生成模型及可图2.0图像生成模型。即日起，可灵2.0和可图2.0在全球范围上线。
“这是你能用到的，世界上最强大的视觉生成模型。”快手高级副总裁、社区科学线负责人盖坤说道。
根据对比测试，可灵2.0文生视频大模型与Veo2的胜负比为205%，与Sora的胜负比为367%（如果两模型胜负比为100%，说明两者水平相当）。可灵2.0图生视频大模型与Veo2的胜负比为182%，与Gen-4的胜负比为178%。
另外，可图2.0文生图大模型，与Midjourneyv7的胜负比为301%，与Reve的胜负比为193%，与Flux1.1Pro版本的胜负比为152%。
可灵2.0生成效果如何？
快手副总裁、可灵AI负责人张迪介绍，现在的视频AI生成技术还远远不够，目前创作者们会遇到两类问题：一类是语义遵循能力在部分情况下能力不够，妨碍了创作者们用文字精准表达、控制生成结果；二是动态质量问题，包括大家所常说的运动崩坏或者不符合物理规律。
为此，可灵2.0视频生成模型在语义响应、画面质量、动态质量、真实度和美感上都有大幅提升。
语义响应
“一个视频生成模型的语义响应，已经不能用简单的文本响应来看了，我们希望它有更强的动作响应能力，有更强的运镜响应能力，有更强的时序响应能力。”张迪说道。
可灵2.0完善了1.6版本中的表情的动作描述和肢体的动作描述的细节错误：
时序响应指的是在同一个prompt里面，按照时间顺序进行分段描述，模型需要按照严格的时间顺序进行展示。可灵2.0在背景延时摄影的完成度都很高：
除了基础运镜，可灵2.0可以直接用提示词激活环绕运镜、跟随运镜、镜头组合运镜等方式：
动态质量
可灵2.0重点优化了历史版本中可能出现慢动作的问题，对于运动速度的把握更加精准：
更合理的运动幅度使得整个画面的表现张力更好、更有冲击力：
美学优化
在美学优化方面，可灵2.0可以生成更具电影大片质感的镜头，同时让每一个镜头的细节表达更加丰富：
可灵2.0在一些细节上的优化：
对于可灵2.0的生成效果，网友们也给出了很高评价。
”AI视频的质量一夜之间提升了10倍，我已经无话可说了。Kling2.0刚刚发布，我已经花掉了1250美元的额度来测试它的极限。我从没见过这么流畅的动态效果，也从没见过对提示词的理解这么准确的模型。”PJAce说道。
“相信我，这次模型升级绝对惊艳！现在你可以生成的动态动作数量达到了新的高度。如果您想让动作更快速，新模型在这方面完全胜任，动作看起来非常自然流畅。”网友TravisDavids说道。
一系列技术创新细节披露
“所有的这些能力提升，都离不开整个团队背后的大量的技术创新。”张迪介绍，可灵2.0在基础模型架构和训练和推理策略上进行了全新的升级，这些工作使其打开了建模和仿真的能力空间。
可灵整体框架采用了类Sora的DiT结构，用Transformer代替了传统扩散模型中基于卷积网络的U-Net。具体来说，可灵2.0在基础模型上的架构升级包括：
全新设计的DiT架构，提升视觉/文本模态信息融合能力。
全新设计的VAE，使复杂动态场景下过渡更顺畅、质感更自然。
首次系统性研究了视频生成DIT架构的ScalingLaw特性。
为解锁更强的指令响应和运动表现，可灵2.0采用了以下训练和推理策略：
强化对于复杂运动、主体交互的生成能力提升视频表现张力。
强化对运镜语言、构图术语等专业表达的理解和响应能力。
人类偏好对齐技术，让模型更懂”常识”和“审美”。
据张迪透露，在可灵AI平台上，85%的视频创作是通过图生视频完成的，这一方面说明了图生视频可以更好地表达用户的创作意图，另一方面也彰显了图片赋予整个视觉创作流的重要性。
此次升级的可图2.0模型，在指令遵循、电影质感及艺术风格表现等方面作了显著提升。在风格化响应上，可图2.0支持60多种风格化的效果转绘，包括受大家喜爱的GPT风格、二次元风格、插画风格、数字世界、3D等，模型出图创意和想象力实现因此大幅跃升。
而在可图2.0背后，同样暗含许多技术创新。张迪介绍称，快手团队在预训练阶段，通过精准建模预训练文本到视觉表征的映射，使得文本和图像的对齐做得更好；在后训练阶段，该模型更多地使用了强化学习技术来提升美感、对齐人类审美，并大量探索了后训练阶段的ScalingLaw；在推理阶段，大量使用了全新的提示词工程和推理策略，提升了出图的稳定性和创造性。
视频和图像都能放进prompt了
“文字作为人去描述自己想象中的世界的媒介是不完备的，需要定义一个人和AI交互的新的语言，让人的想象能够被AI完全感知到。”盖坤说道。
在一些场景里，文字很难准确描述出视频内容，比如复杂的武打画面，即使用很大篇幅的文字也难以准确描述。
为此，快手还在可灵2.0大师版上线了全新的多模态编辑功能，能灵活理解用户意图，支持对视频和图像内容实现增、删、改元素。
具体可以看到，多模态编辑器中，可以将多模态的表达放进提示词中，以实现更准备的修改。
此外，图像多模态编辑具有风格重绘的能力，能够对图片可进行不同风格的重绘，且保持原图片的语义。
在本次2.0模型迭代中，可灵AI正式提出了AI视频生成的全新交互理念Multi-modalVisualLanguage（MVL），即将语义骨架（TXT）和多模态描述子（MMW）结合，让用户能够结合图像参考、视频片段等多模态信息，将脑海中的多维度复杂创意，直接高效地传达给AI。此次发布的多模态视频编辑功能，正是基于MVL的思想所研发。
张迪介绍称，多模态编辑功能背后是一整套多模态控制技术，快手目前在这方面迎来了很大的突破，包括以下三个方面：
把文本模态、图像模态和视觉模态进行了统一表征，并使用超长的上下文进行训练；
通过高效的Token压缩与缓存算法，可以支持长序列的训练和推理；
在推理环节，使用了带有CoT的多模态推理能力技术来理解用户输入的多模态信息。
结语
截至目前，可灵AI全球用户规模突破2200万，过去的10个月里，其月活用户量增长25倍，累计生成超过1.68亿个视频及3.44亿张图片。
张迪表示，在发布之初，快手便深知视频生成技术赛道是一个长跑，为此可灵AI自发布后就进入了夺命狂奔模式，过去10个月时间里已经历了20多次的产品迭代，发布了9个有里程碑意义的产品。可灵1.0于去年6月发布，是全球首个用户真实可用的DIT架构的视频政策大模型。
对于这一次的更新，可灵AI团队给出了这样的评价：“我们可以当之无愧的说，可灵2.0文生视频模型是一个全球大幅领先的视频模型。”
声明：本文为AI前线整理，不代表平台观点，未经许可禁止转载。
活动推荐
AICon2025强势来袭，5月上海站、6月北京站，双城联动，全览AI技术前沿和行业落地。大会聚焦技术与应用深度融合，汇聚AIAgent、多模态、场景应用、大模型架构创新、智能数据基建、AI产品设计和出海策略等话题。即刻扫码购票，一同探索AI应用边界！
今日荐文
“Bug”还是“预演”？GitHub突然“封禁”所有中国IP，官方：只是“手滑”技术出错了
刘强东被美团高管暗贬后回应；曝Qwen3处于最后准备阶段；特朗普免除手机、电脑、芯片“对等”关税|AI周报
“开源版coze”爆火，融资超4.6亿！如今Docker拉取量超1亿，斩获77.5kstar
GPT-4.1偷摸开测？神秘模型登顶编程榜，社区细扒指向OpenAI，网友：营销鬼才又来了！
你也「在看」吗？👇
