AI视频领域又出新状况，但这次搅局的不是Minimax H3这类专业模型，而是以往只用来对话的通用大模型。
不久前，Anthropic发布Claude Opus 5.5，虽然官方文档中并没有任何一个段落提及“视频生成”或“图像生成”这样的功能，但发布不到一周，社交媒体上就出现了大量让人意外的动画和短片。
有人用它在12小时内做出一部反乌托邦风格的叙事短片，有博主用它生成产品发布视频、科普讲解动画，甚至带有粒子特效和音频同步的Motion Graphics作品。更有开源社区整理了数百套提示词，按动画、3D场景、交互效果等分类归档。
马斯克多次转发这些作品，其中一条评论被广泛传播：“这一次我真切感受到了AGI的深远影响。”
这就是横空出世的“Vibe Video”，即不依赖专业视频模型，仅凭大模型写代码，就能产出完整视频。
一个在大家印象中只输出文本的模型，正在被全球创作者当作“视频生成工具”使用，这个“跨界”是不是很有意思？
当然，真正的视频生成模型也不会闲着，其中占有率最高的Seedance 2.5已经以原生30秒直出和50个多模态参考素材的能力，坐稳国产视频模型第一梯队。快手旗下的可灵4.0在9月底也带来了10-bit HDR、精准多关键帧控制和最多15个参考资产的Omni Reference系统。
通用大模型跨界而来，似乎要重新定义“AI视频”这件事，而专业视频模型在画质、时长、控制力上也在持续加码。一系列问题不可避免地出现，这两条完全不同的AI视频制作路线到底有什么不同？哪一条更强？
要回答这些问题，需要从理解各自的技术底层逻辑开始。
优劣对比，“Vibe Video”是如何实现的？
首先要明确的是，Claude Opus 5.5具备“视频能力”是一个误读，严格来说，Opus 5.5没有视频输出模态。
这种语言大模型不像专业视频模型，其工作方式主要是写代码，输出文本。所以，当用户要求“做一个30秒的动画”时，Opus 5.5输出的是HTML、Canvas绘图指令、SVG路径、Three.js的3D场景代码，或者GSAP的动画时间轴脚本。
常见的流程是借助诸如Playwright的浏览器自动化工具，打开大模型生成的HTML文件，通过JavaScript逐帧“seek”到特定的时间点，截取画面，再通过FFmpeg将连续帧编码为MP4视频。
这种通过代码渲染机制创作的视频最直接的结果，就是确定性。
同一段代码，输出的就是几乎完全相同的画面，同一个提示词跑两次，结果一模一样。这种情况下，创作者就可以具体到某一帧来调整视频内容。比如发现第137帧有问题，只要修改代码、重渲染那一帧就可以，而不用担心“抽卡”所带来的随机性。
第二个结果，就是可寻址性。
代码渲染的每一个视觉元素都有显式的坐标和参数，这样的好处是，如果你想让图片中的某个圆点左移20像素，改一个数字就可以。想让视频某一帧的画面晚0.2秒出现，改一下时间轴。
这种级别的精确控制，在Seedance2.5和可灵4.0等专业视频模型上几乎不可能实现，往往只能依靠“抽卡”，期待模型能“精准理解”你的意图。
当然，创作者最关注的还有成本问题。
Opus 5.5的API定价是每百万输入token 4美元、输出20美元。一个60秒讲解视频的代码生成，token消耗量通常在几千到几万之间，模型费可以控制在几美元以内。渲染成本主要是本地或云端的CPU时间，整体成本明显低于专业视频模型。
但是，这种代码渲染式的视频创作模式的局限性也非常明显。
首先就是代码渲染画不出真实世界。比如Anthropic官方文档中就表述称：“不使用视频生成模型，因此不会创建逼真影像或人物。”用户可以用代码渲染一个几何图形、一段数据可视化、一套界面动效、一段文字动画，但无法用代码“渲染”出一张真实的人脸或复杂的产品实拍镜头。
未来随着技术的进步，也许可以实现突破，但至少目前还不行。
此外，物理模拟的缺失同样不容忽视。
代码渲染可以做运动学动画，比如物体沿预定轨迹移动、旋转、缩放等等，但其没有内置的物理引擎来模拟重力、碰撞、流体、布料。如果要做一个“苹果落地”的动画，程序员需要显式写出重力加速度、初始高度、落地反弹系数。而在视频专业模型中，模型“见过”足够多的苹果落地视频，生成时能够“猜”出符合物理直觉的画面，所以作品可以更接近真实画面。
输入模态也是一个明显的限制，诸如Opus 5.5这类大模型可以读文字、图片和文件，但不能根据参考视频进行创作。如果创作素材是屏幕录制、产品短片等视频内容，就无法进行读取，这超出了它的能力范围。
这时候，就需要专业视频模型出场了。
专业视频模型的“三国杀”
Seedance 2.5、可灵4.0和Minimax H3都是专业视频模型的代表，都是基于扩散模型，经过海量视频数据的训练，学会从噪声中“去噪”出符合统计规律的像素排列，最终制作出视频内容。
这条路径的强项在于对真实世界视觉分布的拟合能力，比如光影、材质、人脸、复杂场景，都可以被“联想”出来。
但是，在具体的技术方向上，它们又各不相同。
Seedance 2.5的最新突破是从片段到叙事的切换，其单次生成时长已经从2.0时代的15秒翻倍到30秒，这个数字看起来只是参数升级，但用过就知道，30秒已经能完成一条完整的情绪弧线，而15秒只能完成一个片段。
多模态参考能力的升级也非常明显，Seedance 2.0支持最多9张图片、3段视频、3段音频作为参考素材，而到了2.5，这个上限被直接拉到了50个全模态参考，图片、视频、音频、文字可以混着来。
普通用户做视频，其实用不了这么多的参考，其主要面向的需求有两类：品牌内容需要保持多个演员形象一致、视觉系统统一；影视前期制作需要把分镜、角色设定、参考镜头、背景音乐一起丢进去看效果。而为了进一步对标专业影视的工业管线，Seedance2.5还新增了白模和绿幕参考能力。
面对强势的Seedance2.5，快手终于在9月底把可灵升级到了4.0，其主要聚焦于控制精度和视听质量。其系统支持最多15个参考资产，包括最多10张图片、5段视频、7个主体（含指定声音）。而且，多关键帧控制支持最多10个关键帧图像，可以定义角色何时出现、场景何时变化、产品何时揭示。
但是，这些能力仍很难让可灵4.0抢走Seedance2.5的市场，其优势仍集中在画质，比如10-bit HDR输出，能够在4K和1080p下提供更丰富的色彩和更平滑的明暗过渡。在逆光、夜景、霓虹灯等高对比度场景，可灵4.0能保留更多高光和阴影细节，减少色彩断层。
据天眼查显示，可灵AI的运营主体为北京可灵科技有限公司，快手通过间接方式持有约68.33%股权，其财务业绩并入快手财务报表。而根据最新的消息，可灵估值已达到1200亿元，超过了母公司快手。
不难理解，可灵已经被快手寄予厚望。但是，从目前的视频效果来说，可灵4.0如果没有特别亮眼的功能提升，很难逆势翻盘。但如果你认为视频专业模型领域只是两强争霸，那就错了。
Seedance和可灵之外，MiniMax H3即海螺3.0的出现，正在让“专业视频模型”这个类别本身变得更为多元。
Minimax H3的核心规格是33B密集全模态生成模型，原生2K分辨率、24fps，单次生成4-15秒（可延长至约30秒），并且同样可以实现音画同步直出，和Seedance和可灵相比，并没有特别明显的差距。
音画同步，本质上是在视频生成之后附加的音频生成步骤，但H3的架构不同，它可以把视频和音频放在一个联合注意力序列中处理，这意味着声音和画面从第一个去噪步骤开始就在“互相看见”。一个角色张嘴的动作会影响生成的声音，反之亦然。
但是，Minimax H3最独特的属性还是开源。
H3的基础权重在Hugging Face发布后，直接催生了一个Seedance和可灵都不具备的生态。第三方团队可以下载权重、自行优化推理速度。
比如vLLM-Omni团队报告称，通过FastVideo的FastH3适配器，一段完整的10.1秒音视频MP4在约8.7秒内渲染完成，比播放时长还短。
基于“快于实时”的能力，独立开发者Pieter Levels做了一个24小时AI直播网站Infinite Slop。观众在聊天室输入想看的内容，系统将提示词转化为下一段视频，并尝试与上一段画面衔接。观众不再只是收看节目，也开始决定节目接下来播放什么。
“永不结束的 AI 直播”，从段子变成了现实。Minimax H3打开了一个专业视频模型此前��法触及的场景。
更为重要的是，Minimax H3的“快于实时”不靠更大的GPU集群算力，靠的是开源权重让第三方团队做推理优化。这种策略，闭源模型的Seedance2.5、可灵4.0无法复制。而且，开源模型的成本优势也非常明显，MiniMax H3的15秒视频账单只要7块钱左右，仅是Seedance 2.5的五分之一。
如果用户把优化过的Minimax H3模型部署在家机器上，其成本将趋向于免费。无论是Seedance2.5还是可灵4.0，都不得不面对其竞争压力。
尤其是可灵4.0，本就处于和Seedance 2.5竞争的弱势地位。而更为“雪上加霜”的是，“Vibe Video”也来了。
两条路线，可灵4.0腹背受敌？
看起来，专业视频模型和Vibe Video代码渲染两条路线完全不是一回事。
专业视频模型的路线，不论是Seedance2.5、可灵4.0亦或Minimax H3，其核心都是对真实世界的拟合能力。模型从训练数据中习得了光影、材质、人体运动的统计规律，能“联想”出看似正确的画面。
“Vibe Video”的代码渲染路线的核心是确定性。其画面都是通过代码计算得出，每一帧都可预测、可寻址、可精确修改。
简单讲，专业视频模型用的是“猜”，代码渲染依靠的是“算”。但是，这并不代表着两种路线只能二选一。
马斯克转发的那条视频就是一个案例。
在该博主公开的提示词中，明确写了调用Seedance 2.5生成画面、ElevenLabs生成声音、fal跑视频生成，再用JavaScript叠动态图形。
也就是说，其画面并不是完全用代码渲染出来的，而是Seedance2.5生成，Opus 5.5在其中干的是导演+剪辑，是两条路线的融合。
这里还有来自GPT-6 Astra的案例，Astra拿到一段总要求后，自己先写了一个剑斗故事，在Blender里完成预演，生成不同镜头的参考帧，然后再交给Seedance 2.5生成正式画面，进而把素材拖进剪辑工具，拼接出最后的成片。
人类只需要给出一段自己想实现的要求，从Brief到最终导出全自动完成。显然，一种分层协作的视频制作模式正在出现。
在这种新的分工中，专业视频模型作为被挑战的一方，护城河还靠得住吗？
相比代码渲染这条路线，Seedance2.5、可灵4.0这类视频专业模型的护城河显而易见，就是其拥有物理真实感的训练数据积累。
比如Seedance 2.5在复杂运动场景中能实现“人物动作建模此前未有的自然性、连贯性与物理合理性”；可灵4.0能够实现“动态运动和复杂镜头运动的流畅稳定”。这种能力来自对海量真实视频的训练，大模型只有“见过”足够多的人体运动、物体交互、光影变化，才能在生成时做出符合足够真实的画面。
然后就是工业壁垒，专业视频模型能够将工作流深度嵌入制作流程。
比如Seedance 2.5的白模和绿幕参考直接接入Maya和Blender的专业影视管线；可灵4.0的精准多关键帧控制让角色出现、场景变化、产品揭示的精确时间点可被定义。
但是，专业视频模型的护城河并非没有短板。
其一就是上游入口存在失守风险。如果 Opus 5.5、GPT-6 Astra这类通用大模型逐步掌控了“创意策划—分镜设计—镜头预演”的上游环节，专业视频模型就可能被降格为渲染引擎。价值分配会向规划层倾斜。
其二就是轻量场景可能被替代。比如Claude Motion的定位就是all-hands讲解、董事会图表动画、客户引导走查，这些场景不需要写实画面，不需要复杂物理模拟，代码渲染的确定性和可编辑性反而优于专业视频模型。
如果这类“轻视频”需求规模足够大，专业模型在这一细分市场的空间势必会被压缩。而进一步细化来看，Seedance 2.5在专业视频领域占据头部位置，是Vibe Video路线优先联合的对象，Minimax H3则具备开源优势，只有可灵4.0相对弱势，处境“腹背受敌”最为危险。
当然，专业视频模型也在努力反向渗透，都在努力开发“编导思维”，自主规划镜头语言、设计视觉模板，都在强调“以导演的眼光扩展和精炼你的指令”。
两条路线的攻防战，目前看才刚刚开始。
结语
所以，一个可能的分层格局正在AI视频制作领域形成。前述GPT-6 Astra+ Seedance 2.5的“AI剧组”模式，正是这个分层的实证。
上游设计由通用大模型占据，Claude、ChatGPT为代表的大模型凭借语言理解和编排能力，可以将模糊的创意拆解为分镜脚本、时间线、素材调用计划，决定“要做什么”。
生成层由专业视频模型主导，Seedance2.5、可灵4.0、Minimax H3等执行具体的画面生成，其核心壁垒是物理真实感、多模态控制和工业化工作流嵌入等。
动态图形、数据可视化、界面动效等视频效果，正在被通用大模型的代码渲染功能接过去，其具备确定性、可控性和低成本的优势。
回到最初的问题，“跨界”而来的代码渲染和专业模型，到底谁更强？答案是各有所长。
未来最有效的生产范式，可能不是选择其中一条路线，而是各司其职。通用大模型决定“要做什么”和“如何改动”，专业视频模型决定“要怎么画”。
市场，正在用真金白银为它们分别定价，你认为哪一条路更有价值？
本文来自微信公众号“铑科技”，作者：鸿辰，36氪经授权发布。