06. 核心公司深度调研 (Company Research)
🏢 公司概况
| 成立时间 | 2023年3月 |
| 总部 | 北京 |
| 官网 | shengshu.com | vidu.studio |
| 核心技术 | U-ViT 架构 (Diffusion + Transformer 融合) |
| 学术背景 | 清华大学人工智能研究院 |
👥 核心团队
💰 融资历程
🚀 核心产品: Vidu
- Vidu 2.0: 4秒视频片段，生成时间 <10秒 [来源]
- 分辨率: 支持 1080P 高清
- 核心能力: 多相机生成, 时序一致性, 多实体一致性
- 加速技术: TurboDiffusion (100-200x 加速)
🏢 公司概况
| 成立时间 | 2023年4月 |
| 总部 | 深圳 |
| 团队规模 | ~50人 (截至 2025年3月) [来源] |
| 官网 | pixverse.ai |
👥 核心团队
💰 融资历程
🚀 核心产品: PixVerse V5.5
- Multi-Shot Workflow: 单次生成多镜头序列，自动分镜
- Native Audio: 音频与视觉事件同步生成 (Frame-perfect Sync)
- V5Fast Mode: 1080P 高清视频，~30秒生成
- 时长: 支持最长 10秒
王长虎在字节的履历意味着爱诗从 Day 1 就懂如何做消费级产品。PixVerse 的产品逻辑是"让普通人也能当导演"，而不是卖 API 给开发者。阿里领投 B 轮，说明大厂认可了这条"C 端 SaaS"的路线。短剧风口 + 音画一体，爱诗是最贴近变现的玩家之一。
🏢 项目/公司概况（以官方可追溯信息为准）
| 官网 | sand.ai | About |
| 产品 | Magi Product |
| 核心论文 | MAGI-1: Autoregressive Video Generation at Scale (arXiv:2505.13211) |
| 技术报告 PDF | MAGI_1.pdf |
| 开源代码 / 权重 | GitHub: SandAI-org/MAGI-1 | HuggingFace: sand-ai/MAGI-1 |
🧩 技术路线拆解：为什么 MAGI-1 值得被当作“工程样板”
MAGI-1 的关键，不是“又一个视频扩散模型”，而是把自回归 + 流式生成做成系统级可运行方案：按固定长度 chunk 生成，并允许 chunk 之间并行去噪，从而天然支持 streaming 与更强的因果时序建模（官方描述见 About 与技术报告）。[来源]
- Chunk-wise 自回归（核心范式）：以固定长度片段作为生成单元（官方示例为每 chunk 24 帧），逐 chunk 预测，下一 chunk 可在当前 chunk 去噪到一定程度后启动，实现“流式并行”推理。 [来源]
- 时空压缩（Tokenizer/表示）：其 VAE 使用 transformer 架构，提供 8× 空间压缩与 4× 时间压缩，直指“推理吞吐”瓶颈。 [来源]
- DiT 架构与训练稳定性补丁：包括 Block-Causal Attention、GQA、QK-Norm、SwiGLU、FFN Sandwich Norm 等一系列面向规模训练的稳定性与效率设计。 [来源]
- 蒸馏与多预算推理：采用 shortcut distillation，让单一 velocity 模型支持不同推理步数预算，并引入 CFG distillation 保持条件一致性。 [来源]
⚙️ 落地工程与 Infra（能直接复用的细节）
- Docker 推理环境：官方提供镜像与一键启动命令，体现“开源即工程可跑”。[来源]
- 硬件预算透明：官方 Model Zoo 明确给出各模型推荐机器（例如 24B 需要 H100/H800×8；4.5B 可在单张 RTX 4090 上运行）。 [来源]
- 加速组件：针对 Hopper 架构推荐安装 MagiAttention 以加速推理。[来源]
🧪 评测信号（为什么它不像“只会拍短片”的模型）
- Human Eval 位置：官方宣称在开源模型中达到较强水平，并将自身定位为对闭源商用模型（如 Kling）的竞争者之一。 [来源]
- Physics-IQ：官方给出了在 Physics-IQ benchmark 上的物理行为预测表现，强调“自回归结构”的优势。 [来源]
Sand.ai/MAGI-1 值得重点研究的原因很现实：它把“世界模型”的关键问题从算法迁移到系统——chunk、并行、缓存、可流式推理、可落地的硬件预算。对想做交互/长视频的人来说， MAGI-1 更像一份“工程蓝图”：你可以不复现它的全部指标，但可以直接复用它的分块生成范式 + 推理栈 + 配置透明度，把团队从“堆 prompt”拉回到“做系统”。
🏢 公司与产品入口（可追溯来源）
| 公司官网 | Meitu Inc.（meitu.com） |
| 产品 | MOKI - 我用AI做短片（moki.cn） |
| 发布与功能描述 | IT之家：美图公司推出 AI 短片创作工具 MOKI |
🧩 产品定位：为什么“先分镜再生成”更适合做短片
主流文生视频工具的痛点是“生成不可控”：你很难稳定复现同一角色、同一镜头语言与叙事节奏。MOKI 的产品取向更接近传统短片制作：先把脚本/风格/角色定下来，再让 AI 生成分镜图，最后将分镜转换为视频素材并通过智能剪辑与音频/字幕功能完成成片。 [来源]
⚙️ 关键工作流（按官方公开描述拆解）
- 前期设定: 在脚本、视觉风格、角色等前期设定完成后，进入生成流程。 [来源]
- 分镜生成: AI 自动生成分镜图，并将分镜图转为可用视频素材。 [来源]
- 成片串联: 通过智能剪辑、AI 配乐、AI 音效、自动字幕等功能把素材串联成片。 [来源]
- 价值主张: 美图强调 MOKI 相比“常规文生视频产品”更强调内容与成本可控。 [来源]
MOKI 值得跟踪的点不在“某次生成效果”，而在它把 AIGC 视频产品化成工作流：把不可控的连续生成，拆成可控的离散工序（脚本→分镜→素材→剪辑→音频/字幕）。这更贴近真实商业场景（短剧/广告/品牌内容），也更容易沉淀为团队的“可复用生产线”。
🏢 公司与产品入口（可追溯来源）
| 公司 | Kuaishou Technology Investor Relations |
| 产品官网 | klingai.kuaishou.com | klingai.com |
🧩 产品能力面（从官网功能列表反推“系统到底做了什么”）
Kling 的一个重要信号是：它把“视频生成”拆成多种可调用能力（不仅是 T2V / I2V），并将这些能力以网站与 API 形态对外组织——这意味着它更接近“视频生成引擎”，而非单一模型 demo。 [来源]
- Text to Video / Image to Video：基础生成入口（文本/图片条件）。[来源]
- Video Extension：视频续写/扩展（本质是 video continuation 或 prefix-conditioned generation）。 [来源]
- Lip-Sync：口型对齐（音频/语音条件 + 人脸/身份保持），是“可商用视频应用”典型刚需模块。[来源]
- Video Effects：视频特效（更偏模板化/风格化/可规模化玩法）。[来源]
- Multi-Image to Video：多参考图驱动（往往用于角色/服饰/元素一致性）。[来源]
- Audio Generation / Multi-Elements：音频生成与多元素组合（强调可组合能力，而不是只靠 prompt）。 [来源]
- Image Generation + Virtual Try-on：把“电商场景”作为显式目标（图片生成 + 虚拟试穿为电商闭环铺路）。 [来源]
⚙️ 工程/商业落地信号
- 开发者平台导向：官网将能力拆成可调用的“API 能力模块”（对外可集成）。[来源]
- 版本与 API 更新提示：官网信息包含 “Video V2.5 Turbo model API” 等升级提示，说明其对外接口在持续迭代。 [来源]
Kling 最值得深挖的并不是“某个 demo 是否惊艳”，而是它把产品拆成可组合的能力层：续写、口型、特效、多参考、多元素。对真实商业项目来说，这比单一的 T2V/I2V 更重要—— 因为业务要的不是“生成一段视频”，而是“在可控约束下生成可交付视频”。后续调研我会重点盯：每个能力的输入/输出约束（分辨率、时长、参考图数量、身份保持）以及 API 的稳定性与计费模型。
🏢 公司与产品入口（可追溯来源）
| 公司 | ByteDance - Inspire Creativity, Enrich Life |
| 产品官网 | 即梦AI（jimeng.jianying.com） |
| iOS App（产品描述与权益） | App Store：即梦AI - 抖音旗下AI图片和视频工具 |
🧩 产品定位：把“生成”做成“创作社区”
即梦的差异化并不只在生成能力，而在“平台化”：官网与 App 描述都强调图片生成 + 视频生成 + 作品分享 + 探索社区 + 做同款，把 AIGC 从工具变成社区生产内容的闭环。 [来源] [来源]
⚙️ 能力拆解（从官方文案反推核心模块）
- AI 图片创作 + 编辑：自然语言生成图片，并支持编辑增强（“不满意？支持编辑功能”）。[来源]
- 视频创作：输入想法生成视频，多轮尝试以获得满意结果（强调迭代式创作）。[来源]
- 分享与传播：支持链接分享/保存本地（利于二次传播）。[来源]
- 探索与同款：探索页浏览作品、复用提示词做同款（典型“社区驱动增长”机制）。[来源]
- 会员权益：App 描述包含“视频延长、去水印”等权益，反映其商业化与生产需求（视频时长与水印是常见付费点）。[来源]
即梦的战略价值在“发行与分发”：它天然可以借力抖音生态，把 AIGC 产出的内容更低摩擦地进入内容池。后续深挖我会关注两件事：（1）同款机制对提示词/参数的可见性与可复现性（这决定社区能否真正“教学”而不是只刷作品），以及（2）视频延长/去水印等权益背后的系统约束（时长、分辨率、队列、风控）。
🏢 公司与产品入口（可追溯来源）
| 集团官网 | Alibaba Group Official Website |
| 产品入口 | 绘蛙（ihuiwa.com） |
| 发布/介绍（阿里系渠道） | 阿里上线AI电商工具“绘蛙” - 阿里云开发者社区 |
🧩 产品定位：把“电商内容生产”做成 AI 工厂
绘蛙的定位非常明确：面向电商营销内容生产，把商拍图、虚拟模特、种草文案、视频口播文案统一在一个平台里，并强调“降低拍摄成本/快速上新”。 [来源] [来源]
⚙️ 核心能力拆解（从官网能力描述反推模块）
- AI 商拍图生成：以商品图为输入，生成电商主图/跨境主图/小红书图等营销图片形态。 [来源]
- 虚拟模特与换装：提供海量虚拟模特，并支持一键换装/换背景等操作，把“拍摄”转成“可编辑的参数化生产”。 [来源]
- 商品模型/模特模型训练：官网明确提到可训练自己的商品模型与模特模型（核心价值：复用资产，稳定一致性）。 [来源]
- 种草文案与视频口播文案：把“图”与“文案/脚本”一起产出，直接服务投放与内容分发。 [来源]
- 一键工具链：去水印、智能消除、换脸、高清修复等，形成电商内容常用的“后期工具箱”。 [来源]
🧠 工程视角：绘蛙的“数据与资产”飞轮
对电商来说，真正的护城河往往不在单次生成效果，而在“资产复用”：商品/模特模型一旦训练完成，就可以在不同主题、不同背景、不同文案下批量生产素材。绘蛙把“训练入口”放进产品里，这是很强的系统信号。 [来源]
绘蛙值得持续追踪的核心是：它把 AIGC 的价值锚定在电商 ROI（更快上新、更低拍摄成本、更可控的素材生产）。后续深挖我会重点看两点：（1）“训练商品模型/模特模型”的数据与版权边界（可商用合规是电商的生命线），以及（2）生成内容的投放闭环（是否与平台素材投放/AB 测试/素材版本管理结合）。
🏢 公司与产品入口（可追溯来源）
| 公司官网 | MiniMax（minimaxi.com） |
| 产品官网 | 海螺视频（hailuoai.com） |
🧩 产品定位：把“视频生成”做成可选型的多模型平台
海螺的视频产品形态更像“模型超市”：官网页面中出现 Hailuo 2.3 / Hailuo 2.3-Fast 等模型名称，并给出分辨率与时长选项（如 768p/1080p 与 6s/10s）。 [来源]
⚙️ 规格/成本信号（从官网配置项提取）
以页面配置中的 Hailuo 2.3（示例项）为例：默认分辨率为 768p，可升级至 1080p；时长为 6s，可升级至 10s；对应的积分成本呈梯度上升（768p/6s 为 25，768p/10s 为 50，1080p/6s 为 80）。 [来源]
| 选项 | 示例成本（积分） | 备注 |
|---|---|---|
| 768p / 6s | 25 | 默认选项之一（示例） |
| 768p / 10s | 50 | 时长升级（示例） |
| 1080p / 6s | 80 | 分辨率升级（示例） |
🧠 产品化机制：闲时模式“无限生成”
官网文案中出现“无限图像和视频生成”以及“用完积分后仍可在闲时模式下使用 Hailuo 系列模型无限生成”的描述，这是典型的“通过队列与时段管理”换取低边际成本的策略。 [来源]
海螺最值得学的是它的产品化定价与队列策略：把模型能力、分辨率、时长与成本做成明确梯度，同时用“闲时无限生成”把长尾需求留在平台上。对做 AIGC 产品的人来说，这比“某次生成更惊艳”更有参考价值。 后续我会补齐：不同模型（2.3 vs 2.3-Fast）在速度/质量/成本上的差异，以及它是否暴露更明确的可控接口（镜头/运动/参考图数量）。
🏢 公司与产品入口（可追溯来源）
| 产品官网 | loopit.me |
| App Store | Loopit - Make playables（开发者：SeedLeap） |
| Google Play | Loopit - Make Playables（开发者：SeedLeap） |
| 支持邮箱 | support@loopit.me [来源] |
🧩 产品定位：从“观看内容”到“玩内容”
Loopit 在商店页的自我描述非常明确：它不是“做一段视频”，而是把点子做成可玩的互动体验（playables / mini-apps），并强调用户会“play, touch, and remix”。 [来源] [来源]
避混淆：存在多个同名 “Loopit/LoopIt” 应用或品牌。本公司卡片仅覆盖 SeedLeap 出品的这款 “Loopit - Make Playables”（以上官网与商店链接为准）。
⚙️ 核心机制拆解（从官方/条款反推）
- Remix（复刻/二创）：官方文案强调 “Remix it in one tap”，隐私政策也描述了发布后可被其他用户 remix 并产生衍生作品，同时会对原作者提供 credit。[来源] [来源]
- UGC + 社区分发：隐私政策提到发布内容后可对“更广泛的 App 用户社区”可见，并支持分享、评论、互动等社交功能。[来源]
- AI 功能与免责声明：条款里单列 AI-Generated Outputs，指出 AI 输出可能不准确且不保证适用性，同时允许使用 prompts/outputs 改进服务。[来源]
🔐 数据与合规（公开可追溯口径）
- 隐私政策：公开说明会收集/处理登录信息、用户提交内容（含 prompts/媒体片段）、设备信息、活动数据等。[来源]
- Google Play 数据安全声明：数据安全页显示“开发者声明该应用不收集或分享用户数据”，并说明数据传输加密、可请求删除数据。[来源]
SeedLeap/Loopit 值得放进“世界模型/交互内容”公司池里跟踪的原因是：它把 AIGC 的输出形态从“内容”推进到“可交互对象”。如果后续它能把 playables 的表达能力做强（更复杂的状态机/更稳定的交互反馈），并让 Remix 形成持续的内容网络效应，那么它会成为一个很典型的“交互内容平台”样本。
生数最大的护城河不是模型架构，而是清华血统。朱军团队在贝叶斯机器学习领域积累了十数年，U-ViT 就是他们 2022 年发表的。这种"学术-产业"双轮驱动的模式，让他们能第一时间把最新论文变成产品。竞争对手需要追赶的不仅是代码，还有整个 Lab。