“字节暗示我太穷”：Seed团队1000张H100训练7B模型，发布全球首个25秒AI视频，验证视觉生成Scaling Law？
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
整理|Tina
这是全球首个由AI生成的25秒视频，由字节跳动发布的Seaweed-7B模型生成。
字节跳动近日宣布在视频生成领域取得重大突破——Seaweed-7B。这是一个参数量仅为70亿的视频生成基础模型，该模型在核心任务上的表现超越了参数量为其两倍的主流模型，而训练成本仅为其约三分之一。
字节跳动早在去年就开始预热Seaweed项目，如今，字节Seed团队终于放出了技术报告，详细介绍了其技术架构和应用案例，并强调了其在成本效益方面的突破。
这也是Seed团队成员的一次曝光。
Seaweed-7B项目由多个团队共同研发。核心研发团队包括由蒋路、冯佳时等领导的研究团队，下设模型、数据方向和基础设施团队。此外，项目得到了朱文佳和吴永辉的支持。今年2月下旬，原GoogleDeepMind副总裁吴永辉正式加入字节跳动，出任Seed基础研究负责人。蒋路则早在去年就已加盟字节，作为前谷歌高级科学家，他曾主导谷歌的视频生成相关工作，并在多个核心产品中发挥了关键作用，包括YouTube、云服务、AutoML、广告、Waymo和翻译等。同时，蒋路也是卡内基梅隆大学（CMU）的兼职教授。
而他们放出来的宣传视频，这两天也让社区逐渐沸腾起来，引发了广泛而热烈的讨论。
从Seaweed-7B看视频生成的下一阶段
和目前主流的AI视频模型类似，Seaweed-7B支持图像转视频、基于参考图像生成视频、半拟真的人物形象、多镜头切换以及高清分辨率输出等常规功能。
真正令人惊艳的是，它具备当前其他AI视频模型尚未实现的五项关键能力：
首先，它可以同步生成音频和视频。目前大多数模型都是先生成视频，再单独添加声音。虽然已有一些“音频驱动视频”的研究，但仍处于实验阶段。Seaweed-7B的音画一体生成，在效率和内容一致性方面都迈出了一大步。
其次，它支持长镜头生成。OpenAI的Sora虽然曾展示过分钟级视频，但公开可用版本的时长普遍仍在20秒以内。此次字节跳动展示的25秒视频不仅拉长了时长，更是在单条提示词下一次性生成，质量也远超以往拼接或续写的方式。
第三，Seaweed-7B拥有实时生成能力。据介绍，该模型能以1280x720分辨率、24帧每秒的速度实时生成视频，这在当前AI视频领域几乎是革命性的突破，将极大提升互动效率，也为实时创作和虚拟角色应用场景提供了新的可能性。
第四，它引入了名为CameraCtrl-II的功能，支持在三维世界中进行镜头调度。研究团队表示，该方法可通过设定镜头角度，生成高度一致且动态丰富的视频，甚至可作为三维视图合成器使用。
最后，模型在物理模拟与真实感表现方面也实现了显著提升。传统AI视频模型在处理旋转、舞蹈、滑冰等复杂动态时常显生硬，而Seaweed-7B的表现更为自然流畅，虽然仍有提升空间，但已明显优于过去几个月业内常见的模型效果。
这些视频效果让很多人觉得惊艳，不少网友感叹其在实时摄像机控制、长时高清视频生成和多镜头流畅切换方面的突破，直呼“太疯狂了”、“再次惊艳中国”，尤其“实时视频生成”的概念让人联想到未来AI在游戏等领域的可能性。
资源受限环境中，架构设计尤其重要
虽然视频生成的许多技术都受到图像生成技术的启发，但视频生成面临着独特的挑战。与静态图像不同，视频需要对运动动态进行建模，并保持长序列的时间一致性。这些要求极大地增加了训练和推理的计算复杂度，使得视频生成模型成为开发和部署中最耗费资源的基础模型之一。
2024年Sora的发布被视为视频生成领域的重要里程碑，但训练这类模型往往需要极其庞大的算力，通常动辄上千张GPU。
Seaweed-7B的训练成本则小很多，仅66.5万H100GPU小时，相当于在1,000张H100GPU上连续运行约27.7天。
虽然该模型仅70亿参数，但从图像到视频的效果能超越同类140亿的模型。
在图像转视频的任务中，Seaweed-7B在各项指标上均大幅优于Sora。
在文本转视频的任务中，Seaweed-7B在Elo评分中位列前2-3名，紧随排名第一的模型Veo2之后，性能与Wan2.1-14B相当。
而该模型能够以显著降低的计算成本实现极具竞争力的性能，也跟背后的架构设计决策密切相关。
根据公开信息，该模型采用DiT（扩散变换器）架构，并通过对抗性后训练（APT）技术优化生成速度和质量。它只需单次神经函数评估即可生成2秒的720p视频，推理速度比同类模型提升62倍。同时也提出了变分自编码器（VAE）设计，VAE定义了生成真实感和保真度的上限，这可能是该模型生成的视频具有高真实感和生动运动的主要因素。
在数据上，该团队开发了一套高吞吐量且灵活的视频管理流程，包括管理视频编码和解码、执行时间分割、空间裁剪、质量过滤等。
凭借这一基础架构，让Seed团队每天能够处理超过50万小时的视频数据，足以用于训练，因此可以将精力集中在有效地挖掘高质量视频片段上。为了优化视频片段处理时的吞吐量，他们使用了两个现代框架：BMF以及Ray。
在Infra层面，字节跳动围绕“高效训练”进行了系统性的基础设施优化，显著提升了模型的算力利用率与资源效率。具体而言，团队采用三维并行策略（数据并行、上下文并行、模型切分）来应对长上下文视频训练的挑战，并引入“运行时负载均衡”机制，动态调配图像与视频样本在不同GPU间的分布，缓解联合训练时的负载不均问题。
此外，Seaweed-7B还创新性地设计了多级激活检查点（MLAC）机制，支持将中间激活存储在GPU、CPU或磁盘等多层级介质中，不仅大幅降低了显存占用，还减少了重计算带来的性能损耗。为进一步提升训练吞吐，团队还通过kernel融合手段，将多个内存访问密集的操作整合到单个CUDAkernel，显著提升了运算强度与GPU利用率。
字节在论文中表示，得益于这些系统级优化，Seaweed-7B在大规模分布式训练中实现了38%的FLOPs利用率，成为当前AI视频生成领域中兼顾性能与效率的代表性模型之一。
不过，有意思的是，尽管字节跳动认为其资源消耗“适度”，不少网友却对此持有不同看法，直呼“字节跳动在暗示我太穷”。
他们指出，动用上千张顶级GPU进行近一个月的训练，无论如何都绝非小数目，强调这依然是需要巨大算力的投入，所谓“适度的计算资源”的说法并不恰当。
“字节跳动在暗示我‘GPU穷人’。一个训练了66.5万张H100小时的模型，却被称作‘成本高效’、‘计算资源适度’。”
参考链接：
https ://arxiv.org/html/2504.08685v1
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
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！
“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
你也「在看」吗？👇
