全球首個無限時長視頻生成！新擴散模型引爆萬億市場，電影級理解，全面開源
不是5秒，不是10秒，更不只是1分鐘。
AI視頻生成，正式迎來無限時長的時代！
來，話不多說，直接來看一部AI版《羅馬假日》：
而就是這么一部小短劇片段，它的“起點”，僅僅就是一張照片和一句Prompt：
身著優雅西裝的歐美男子與一位美女漫步在羅馬街頭，分享各自的生活趣事，眼神中滿是欣賞；夕陽西下，余暉灑在兩人臉上，彼此深情對視。
△視頻生成輸入的第一幀圖像
或許你會說，這不就是AI一口氣生成出來的37秒視頻嗎？
非也，非也。
它創作出來的方式，實則是先生成一個30秒的視頻，然后用一套“Extend（擴展）大法”繼續去延長視頻的時間。
方法就是pick剛才已經生成的視頻，再來一句Prompt：
兩個人擁抱到了一起。
最后，在前面所有畫面人物都沒有發生變化的同時，AI根據后續的Prompt，繼續擴展了7秒鐘。
通過這種方式，如果你想繼續延長視頻的情節和時長，只需反復上述操作即可。
這就是無限時長的由來了。
而這個AI，正是昆侖萬維最新升級的SkyReels-V2。作為全球首個無限時長視頻生成模型，實現了電影級理解，并且全面開源。
整體體驗下來，它的特點可以總結為一句話——很懂拍電影。
不僅在時長方面可以做到無限，對視頻內容的連續性、鏡頭的自如切換，以及主體的一致性等等都做到了不錯的把控。
那么昆侖萬維為什么要搞這樣的一個AI呢？
這是因為全球AI視頻生成領域正面臨三大核心痛點：
- 時長限制：主流模型僅能生成5-10秒片段，無法滿足影視級敘事需求
- 專業度缺失：通用模型難以理解鏡頭語言、運鏡邏輯等電影語法
- 質量妥協：提升分辨率往往犧牲運動流暢性，物理合理性頻遭詬病
這也正是SkyReels-V2要解決的問題。
接下來，為了把這種效果體現得更加明顯一些，我們繼續一波實測走起。
實測AI視頻的無限生成
這一次，我們以5秒為一個單位，一點一點地把玩一下這個無限生成模式。
先“喂”給SkyReels-V2這樣的一張靜態圖片：
然后我們先讓這張漫畫風的圖片，按照物理規則動起來：
保持漫畫風格，畫面中的樹、湖面、男孩的頭發，隨風飄動。
繼續用Prompt來擴展后續視頻內容：
男孩子突然發現魚漂和魚竿開始抖動，臉上露出驚喜的表情。
男孩立馬站起身來，雙手用力拽魚竿。
男孩身子往后退，用力拽魚竿，沒釣到魚。
就在這么5秒、5秒的擴展之后，我們就完成了一小段動漫的場景：
值得一提的是，剛才我們完整展示的2個視頻的BGM，同樣也是由昆侖萬維的音樂生成AI——Mureka來生成的哦~
除此之外，官方這次也展示了幾個不錯的效果。
例如女生化妝的AI視頻生成：
以及水母在海洋徜徉：
那么在看完效果之后，接下來的一個問題就是：如何做到的？
背后的技術也開源了
在科普SkyReels-V2技術之前，我們還應當先了解一下當前視頻生成模型在技術上普遍存的問題。
歸結來看，主要分為三點，即：
- 通用多模態大語言模型(MLLM)難以理解專業電影語法（如鏡頭構圖、演員表情和攝像機運動）；
- 現有優化目標未能充分探索運動質量；
- 擴散模型和自回歸模型各自的局限性導致難以兼顧視覺質量與時間連貫性。
對此，昆侖萬維團隊提出的SkyReels-V2，便是通過結合多模態大語言模型(MLLM)、多階段預訓練、強化學習和擴散強制框架，實現了在提示遵循度、視覺質量、運動動態和時長方面的突破性進展。
首先，SkyReels-V2的首要創新是設計了一套全面的視頻結構化表示方法，將通用描述與專業鏡頭語言相結合。
這個系統包括主體描述（類型、外觀、動作、表情、位置等）、鏡頭元數據（鏡頭類型、鏡頭角度、鏡頭位置等）、攝像機運動（例如推拉搖移等專業運動參數）。
為實現上述專業維度的高精度標注，研發團隊針對性訓練了多個專家級模型。
例如鏡頭標注器，它可精確識別鏡頭類型、角度與位置，在測試中分別取得 82.2%、78.7% 和 93.1% 的準確率。
表情標注器則能深度解析七種基礎情緒及其強度變化，平均精度達到 85%；還有攝像機運動標注器，采用6DoF坐標參數化運動，單類型運動識別準確率89%。
這些專家模型與基礎MLLM的知識被蒸餾到統一的SkyCaptioner-V1模型中，最終形成了一個平均準確率達76.3%的專業視頻標注系統，尤其在鏡頭相關字段上表現突出（鏡頭類型識別準確率93.7%）。
除此之外，SkyReels-V2還采用一個三階段漸進分辨率預訓練框架：
- 低分辨率階段（256p）：通過圖像-視頻聯合訓練建立基礎生成能力
- 中分辨率階段（360p）：應用更復雜的數據過濾策略提升清晰度
- 高分辨率階段（540p）：專注于視頻目標，采用更嚴格的質量標準
訓練中采用雙軸分桶框架（時長桶×寬高比桶）和FPS歸一化技術，有效處理視頻數據的時空異質性。優化器使用AdamW，學習率從1e-4逐步降至2e-5，確保穩定收斂。
而針對視頻生成中常見的運動質量問題（幅度不當、主體變形、物理規律違反等），團隊設計了半自動偏好數據收集管道。
它包含兩種類型的數據，一個是人工標注數據，由專業人員評估運動質量，形成1200個視頻測試集；另一個是自動生成數據，通過漸進失真創建技術模擬各種運動缺陷。
基于這些數據，團隊訓練了專門的獎勵模型，并應用流匹配直接偏好優化(Flow-DPO)技術，通過三階段訓練（每階段20k數據）顯著提升了運動質量。
SkyReels-V2的核心突破是擴散強迫（Diffusion Forcing）技術，將傳統擴散模型轉化為支持無限長度生成的架構。
這個技術同樣包含三個關鍵點。
一是幀導向概率傳播（FoPP）時間步調度器，它通過動態編程計算非遞減噪聲計劃，將組合空間從O（1e48）減少到O（1e32）。
二是自適應差異（AD）時間步調度器，可以支持從同步擴散(s=0)到自回歸生成（s=T）的靈活調整。
最后則是上下文因果注意力，通過推理時緩存歷史樣本的K、V特征，顯著降低計算開銷。
這一框架使模型能夠以前一視頻段的最后幾幀為條件，生成新的幀序列，理論上支持無限長度擴展。為防止誤差累積，團隊采用輕微噪聲標記已生成幀的穩定化技術。
從昆侖萬維以及第三方測試結果來看，在SkyReels-Bench評估中，SkyReels-V2在指令遵循方面取得了顯著進展，同時在保證運動質量的同時不犧牲視頻的一致性效果。
Image
在VBench1.0自動化評估中，SkyReels-V2在總分（83.9%）和質量分（84.7%）上均優于所有對比模型，包括HunyuanVideo-13B和Wan2.1-14B。這一結果進一步驗證了SkyReels-V2在生成高保真、指令對齊的視頻內容方面的強大能力。
Image
以上便是SkyReels-V2能夠解鎖如此實力背后的關鍵技術了，并且已經全部開源。
AI重塑內容生產
在解讀完技術之后，我們還有個話題值得聊一聊——SkyReels-V2的問世，意味著什么？
歸結為一句話，或許就是：
正在重塑、改寫創意內容產業的DNA。
SkyReels-V2展現的不僅是技術能力，更是一種新型創作哲學的雛形。
當AI能夠理解并執行“日落時分的海灘漫步”這樣的抽象指令，并自主處理鏡頭運動、場景過渡等專業細節時，人類的角色正在從執行者轉變為“創意導演”——專注于概念構思與審美判斷等高層次創造活動。
這種人機協作模式指向了一個更為深刻的變革：藝術創作的重心從技藝展示轉向思想表達。
創作者可以將更多精力投入敘事結構、情感傳遞和概念創新等真正體現人類獨特性的領域，而將技術實現交由AI處理。
這或許正是文藝復興時期“藝術家作為思想家”理想在數字時代的全新詮釋。
而目光聚焦于昆侖萬維本身，可以說它再一次走到了生成式AI大浪潮的前面：不僅有技術，還有產品，更是做到了全面開源。
據高盛預測，到2027年AI生成視頻市場規模將突破萬億美元，而昆侖萬維SkyReels-V2的橫空出世，正以“無限時長+電影級質量+精準控制”三位一體的突破性技術，率先打開這片藍海市場！
至于SkyReels-V2及其后繼技術將如何繼續改寫創意產業的DNA，取決于我們如何以智慧與遠見引導這場變革。
不過可以肯定的一點是，當技術最終成功隱入創作的背景，成為思維的自然延伸時，人類講故事的方式，以及通過故事理解世界的方式，都將發生我們今日難以想象的深刻轉變。
最后，體驗地址放下面了，感興趣的小伙伴快去嘗鮮吧~
SkyReels官網地址：
https://www.skyreels.ai/home
GitHub地址：
[1]https://github.com/SkyworkAI/SkyReels-V2
[2]https://github.com/SkyworkAI/SkyReels-A2
HuggingFace地址：
[1]https://huggingface.co/collections/Skywork/skyreels-v2-6801b1b93df627d441d0d0d9
[2]https://huggingface.co/Skywork/SkyReels-A2
論文地址：
[1]https://arxiv.org/abs/2504.13074
[2]https://arxiv.org/pdf/2504.02436
