智東西
作者 三北
編輯 漠影

春節(jié)后的AI視頻賽道，熱鬧得有點不像話。

前幾周，字節(jié)Seedance2.0剛在全球開發(fā)者社區(qū)刷了一波屏，引得不少海外網友注冊中國手機號來體驗。熱度還沒退，另一支在海外頗有名氣的國產力量已經悄悄在權威榜單上插上了旗。

2月26日，全球權威AI評估機構Artificial Analysis更新了文生視頻/圖生視頻模型排行榜。國內頭部AI視頻生成企業(yè)愛詩科技旗下的PixVerse V5.6位列全球第二，把國產模型的“寫實能力”推上新高度。

▲Artificial Analysis文生視頻全球排行榜

▲Artificial Analysis圖生視頻全球排行榜

這并不是PixVerse第一次沖上高位。熟悉這個榜單的人可能知道，2025年8月PixVerse V5上線十天時，就拿過圖生視頻全球Top1、文生視頻全球Top2。

而在V5.6之外，愛詩科技在1月發(fā)布的全球首個通用實時世界模型PixVerse R1，則試圖把旗幟插得更遠，從“生成視頻”邁向AI教母李飛飛口中的“生成世界”新高地，引起了開發(fā)者的體驗熱潮。

“視頻生成+世界模型”雙線作戰(zhàn)，已成為國產AI視頻發(fā)展的新形勢。中國團隊正在從追趕者變成前沿戰(zhàn)場的牌桌玩家。

一、全球第二背后：PixVerse V5.6靠“超寫實”突圍

先看硬數據。

Artificial Analysis的排名以盲測為核心指標，不拼參數量、不拼算力堆砌，只拼最終生成的視頻效果。PixVerse V5.6在“極致寫實能力”維度上得分極高——尤其是光影質感與物理規(guī)律還原度，讓它在與Veo、Sora、Kling等全球頂尖模型的盲測對比中殺出重圍。

▲PixVerse V5.6在光影質感與物理規(guī)律還原度方面較強

但這只是結果。真正讓創(chuàng)作者買單的，是上手體驗。

我們拿PixVerse V5.6做了一系列測試，專挑那些“讓AI視頻模型翻車”的高難度場景。以下是幾個最有代表性的案例拆解。

案例一：夕陽下的玻璃幕墻倒影

這是對光影處理能力的測試，玻璃幕墻既是反射面又是透光面，需要在倒影和透射之間找到精確平衡。生成視頻中，人物貼近玻璃時，面部與晚霞的反射亮度略低于實體，且隨鏡頭推近保持比例一致，沒有出現常見的“反射滯后”或“反射變形”。

V5.6對膚色過渡的處理自然，沒有出現橙色溢出或高光死白的問題，鼻梁與臉頰的微小光斑隨鏡頭推進平滑移動。慢推鏡頭過程中，人物五官穩(wěn)定，背景建筑未出現結構抖動。這說明其在時間一致性與空間建模上已經較成熟。

提示詞：一位身穿白色連衣裙的亞洲女性站在城市高空玻璃幕墻前，夕陽的余暉灑在玻璃上，反射出暖橙色的光芒。她輕輕將手掌貼在玻璃上，玻璃上映出她清晰的面容和身后的晚霞。鏡頭緩慢推近，聚焦她眼中倒映的城市輪廓。4K，電影感光影，皮膚質感細膩。

案例二：篝火旁的神話戰(zhàn)士

這個案例的核心挑戰(zhàn)在于“金屬材質+動態(tài)光源+微表情”的多重復雜度。在生成視頻中，鎧甲表面反射隨火焰跳動產生細微光斑變化，銅劍呈現出舊金屬的低反射質感，而非統(tǒng)一高亮。

戰(zhàn)士凝視銅劍時，瞳孔反射火焰跳動，面部肌肉有輕微緊繃變化，沒有“僵臉”或貼圖感。這類動態(tài)光源下的微表情保持，是當前高端模型的重要分水嶺。

提示詞： 一位身披金屬鎧甲的古希臘戰(zhàn)士坐在夜晚的篝火旁，火焰跳躍，照亮他棱角分明的臉龐和鎧甲的凹凸紋理。他低頭凝視手中的古老銅劍，劍身映出跳動的火焰。背景是黑暗的森林，火星隨風飄向夜空。特寫鏡頭從火焰切換到戰(zhàn)士的眼睛，瞳孔中倒映著篝火。

案例三：冰雪女王施法瞬間

這是對“粒子系統(tǒng)+物理交互+環(huán)境反射”的綜合考驗。從生成視頻可見，冰晶風暴旋轉時，光線通過冰晶時產生輕微色散，雪花運動軌跡隨機自然，沒有“統(tǒng)一下落”的程序感。裙擺與發(fā)絲隨風運動方向一致，風暴圍繞人物旋轉時沒有穿模現象。

提示詞：一位穿著冰藍色長裙的銀發(fā)女子站在冰封的湖面上，雙手抬起，掌心凝聚出旋轉的冰晶風暴。雪花圍繞她飛舞，她的長發(fā)和裙擺隨風飄動。背景是極光和雪山，冰面反射出她的身影和極光。鏡頭圍繞她旋轉，捕捉冰晶在陽光下折射的七彩光芒。

案例四：雙胞胎姐妹爭執(zhí)

“音畫同出”是PixVerse V5.6的核心賣點之一，而這個案例把難度拉滿——兩個長相一模一樣的人，需要從表情、眼神、微動作上區(qū)分出不同的性格和情緒。

V5.6生成的畫面中，姐姐說話時眉頭微蹙，眼神帶著責備；妹妹回應時眼神下垂，嘴角有輕微的下撇。兩個“同一張臉”被賦予了完全不同的情緒表達?？谛团c音頻的同步精度達到毫秒級，“不告訴媽媽”和“知道真相”的唇齒接觸清晰可辨。這說明V5.6在音畫同步與人物驅動方面已達到“可交付級”。

提示詞：一對長相一模一樣的雙胞胎姐妹面對面站在陽光明媚的客廳里。左邊穿藍色連衣裙的姐姐生氣地說：“你明明答應過不告訴媽媽的！”右邊穿粉色連衣裙的妹妹委屈地低下頭，小聲回應：“可是我覺得她應該知道真相?！辩R頭在兩人之間緩慢切換，捕捉她們說話時完全同步的口型和細微的表情差異。4K，自然光，皮膚質感真實。

案例五：沙漠騎馬狂奔

“遠景+大動作”是考驗模型分辨率魯棒性和動態(tài)一致性的經典場景。從極遠景到近景的快速推鏡，需要模型在不同尺度下保持人物五官的清晰度和一致性。

V5.6生成的畫面中，遠景推近時，騎手面部清晰度逐步提升，沒有“糊臉”。馬匹奔跑步態(tài)連貫，揚沙軌跡符合動量邏輯。強逆光下人物輪廓光明顯，但面部細節(jié)仍保留，沒有一片死黑。

提示詞：遠景：一位身著阿拉伯白袍的騎手騎著黑色駿馬在廣闊的金色沙漠中疾馳，馬蹄揚起漫天黃沙。鏡頭從極遠的距離快速推近，逐漸看清騎手被風沙吹拂的面容和飄揚的頭巾。他用力拉緊韁繩，馬匹前蹄騰空，發(fā)出嘶鳴。夕陽在他身后形成巨大的光暈。4K，電影質感。

從以上五個案例可以看到，PixVerse V5.6在多個維度上都達到了新的高度：

光影與物理規(guī)律一致性：無論是玻璃幕墻前的夕陽臉頰、篝火的動態(tài)光照，還是冰晶的折射反射，V5.6都表現出對物理世界的深刻理解。

復雜運動場景穩(wěn)定性：騎馬狂奔、跑酷翻騰、雙人對話——這些曾經讓AI視頻模型“翻車”的高難度場景，V5.6都能保持人物五官和動作的連貫性。

鏡頭調度敘事能力：雙胞胎爭執(zhí)的表情差異化、從遠景到近景的快速推鏡——V5.6開始具備“鏡頭語言”的理解能力，不再是簡單的文本映射。

音畫同步進入“可交付級”：口型與音頻的毫秒級對齊，情緒與語音的自然匹配。即使是多人對話的復雜場景，V5.6看起來也具備了商業(yè)落地的可能性。

可以說，V5.6不是音畫同出的“開創(chuàng)者”，但它是目前市面上把“自然度”和“穩(wěn)定性”平衡得最好的之一。

二、R1新野望：布局世界模型，從“視頻工具”到“可玩現實”

如果說V5.6解決的是“當下可用”，那愛詩科技1月發(fā)布的PixVerse R1，賭的是“未來可能”。

1月發(fā)布的PixVerse R1號稱全球首個通用實時世界模型。早期內測畫質僅540P，但交互方式極具顛覆性——你在下面打字，它在上面實時生成畫面、推進劇情、切換鏡頭，仿佛為你造了一個世界；2月11日，R1迎來重大更新：支持720P高清實時生成、音頻同步生成、UGC社區(qū)上線、API開放。

為了直觀感受R1的能力邊界，我們結合兩個體驗案例進行拆解。

案例一：火星基地日常

R1生成的畫面中，連續(xù)場景切換中，火星基地風格保持統(tǒng)一。氣閘艙的金屬質感、氣壓讀數、頭盔霧氣、植物、觀測臺等細節(jié)都準確到位。多區(qū)域跳轉時人物位置連續(xù)，沒有“重置感”。

最關鍵的是，這一切都是實時生成的。當我在輸入“推開植物艙門”后，畫面在1-2秒內切換到一個全新的、但與前序場景在空間邏輯上連貫的場景。這種“可探索世界”的體驗，已經超越了傳統(tǒng)的視頻生成，更像是“可玩的現實”。

提示詞（實時交互）：

[開場] 你是一名火星基地的宇航員，結束艙外作業(yè)，進入氣閘艙。關閉厚重艙門，氣壓讀數上升。摘下頭盔，汗水順著臉頰滑落，深吸一口循環(huán)空氣中的金屬味。

[走進生活艙] 綠色植物在LED燈下生長，跑步機靠墻，舷窗外紅色荒漠延伸至地平線。坐到電腦前，敲下：“第287天，一切正常?！?/p>

[推開植物艙門] 濕潤的熱浪撲面而來。番茄藤爬滿支架，LED燈光閃爍，自動灌溉系統(tǒng)發(fā)出輕微的嘶嘶聲。

[爬上觀測臺] 進入穹頂觀測臺。360度全景玻璃外，火星星空璀璨奪目，火衛(wèi)一正快速劃過天際。

[進入休息艙] 穿過走廊進入休息艙。窄小的床鋪，墻上貼著家人的照片。躺下時，飛船金屬骨架發(fā)出熟悉的吱呀聲。

案例二：夢境碎片生成器

這是對“實時生成+創(chuàng)意自由”的測試。夢境場景本身沒有物理邏輯約束，考驗的是模型對“風格”的理解和切換能力。不同于上一個示例采取文字生成視頻，本次我首先上傳了一張圖片作為參考。

R1生成的畫面中，從云橋→鐘表→童年臥室→深海→太空→森林→城市，每個風格都有獨特的視覺語言和細節(jié)密度，風格持續(xù)切換但人物形象保持一致。

最驚艷的是，環(huán)境響應即時，畫面就在1-2秒內切換到完全不同的視覺風格。當夢境疊加時，大海倒懸天空、城市漂浮云層等復雜組合仍保持視覺可讀性。這些超現實畫面的融合處理，需要模型理解不同場景的空間關系和視覺層次。

提示詞（實時交互版）：

[開場] 你是一個穿著泡泡袖睡衣的12歲小女孩，身在夢境，萬物流動變幻。腳下是一座漂浮在云海上的透明橋，云朵翻涌。你緩步前行，橋身隨著腳步輕輕晃動。

[遇見巨鐘] 前方出現巨大的復古鐘表，懸在虛空中。指針逆時針飛轉，發(fā)出刺耳的滴答聲。周圍的光線隨著指針倒流，色彩褪去又重現。

[觸碰鐘面] 你伸手觸碰鐘面，指尖傳來冰涼觸感。場景瞬間扭曲坍縮，下一秒你已站在童年臥室里——墻上的貼紙、窗外的老槐樹，一切如昨。

[默念“大海”] 你閉上眼默念“大?！?，場景如水墨般化開。轉眼沉入蔚藍深海，發(fā)光的魚群環(huán)繞游弋。陽光透過海面灑下搖曳光斑，你漂浮在溫暖洋流中。

[默念“太空”] 身體瞬間失重飄起。腳下是蔚藍地球，星辰在黑暗中閃爍?？臻g站緩緩旋轉，你伸手抓住飄過的宇航員頭盔。

[默念“森林”] 腳下生出青苔與蕨類。巨樹參天，發(fā)光的蘑菇照亮小徑。遠處傳來鹿鳴，薄霧在林間流動，精靈般的螢火蟲圍繞著你。

[默念“城市”] 鋼鐵森林拔地而起。霓虹燈在雨夜中閃爍，全息廣告牌變幻。你站在天橋上，看無數個自己在人群中穿行。

[覺醒時刻] 所有夢境開始重疊——大海倒懸天空，城市漂浮云層，童年房間的門通向太空。你知道即將醒來，卻舍不得離開這個自己創(chuàng)造的世界。

值得一提的是，R1核心驅動力，源自其底層自研的Omni原生多模態(tài)大模型。該模型將文本、圖像、音頻、視頻統(tǒng)一為連續(xù)Token流，實現端到端生成物理邏輯一致、感官協(xié)同的動態(tài)世界。

換句話說，模型不是先有視頻后配音頻，也不是先有畫面后加交互，而是從一開始就把所有模態(tài)看作一個整體，在生成過程中實現多模態(tài)的協(xié)同進化。這種技術思路，比傳統(tǒng)的“視頻生成+后處理”路線更接近真正的“世界模型”。

正如愛詩官方所說：從“AI視頻工具”邁向“可玩現實平臺”，PixVerse正推動AIGC從單向內容消費，走向雙向共創(chuàng)與沉浸交互的新階段。隨著社區(qū)機制、開放接口和高清實時的逐步落地，一個由用戶共建、共享、共玩的AI世界正在加速到來。

結語：面向世界模型，國產AI視頻廠商開辟“雙線作戰(zhàn)”

站在2026年初回望，AI視頻生成領域正在進入關鍵節(jié)點。從Seedance 2.0靠生成質量提升火出圈，到PixVerse發(fā)布首個全球實時生成世界模型，我們正在見證一個新時代的開啟。

競爭愈演愈烈，愛詩科技用PixVerse V5.6和R1給出了自己的答案：雙線作戰(zhàn)，當下與未來兩手抓。一條線是用V5.6這樣的成熟模型，在全球榜單上卡位；另一條線是用R1這樣的前沿探索，卡位下一代交互范式。這一切正在被市場驗證。PixVerse自2024年1月正式上線以來，國內版產品為拍我AI，截至2025年8月全球用戶量已超1億。

從Seedance2.0到PixVerse V5.6，國產AI視頻玩家正在集體卡位全球第一梯隊。如果說Seedance2.0代表的是國產AI視頻的“熱度”，那PixVerse V5.6的持續(xù)登頂證明的是國產AI視頻的“厚度”，國產AI視頻產業(yè)正在系統(tǒng)性崛起。