3 天上了两个 SOTA 模型,视频 Agent 们接得过来吗?

视频模型这个月很热闹。7 月 31 日,MiniMax H3 和字节跳动 Seedance 2.5 同日发布。3 天后,MiniMax H3 正式开源;8 月 7 日,Seedance 2.5 开放 api。模型越来越好了,但产品能把它用好吗?
视频模型这个月很热闹。
7 月 31 日,MiniMax H3 和字节跳动 Seedance 2.5 同日发布。3 天后,MiniMax H3 正式开源;8 月 7 日,Seedance 2.5 开放 api。
H3 主打开源、便宜,生成最长 15 秒、2K 视频 API 定价每秒 0.8 元;Seedance 2.5 则把单次生成时长从 15 秒拉到 30 秒,一次最多接收 30 张图片、10 段视频和 10 段音频,共 50 份多模态参考素材,还加强了时间戳控制、定向编辑和白模参考。
模型越来越好了,但产品能把它用好吗?
某种意义上,7 月份发布的这两个模型,反向证明了一件事:视频模型越强,产品反而越能够创造更多的价值。
01
模型变强了,
产品层要做的事反而更多了
MiniMax 最近在 reddit 社区开了一场 AMA,分享了不少关于 H3 模型的信息。团队提到了一个在模型训练过程中发现的现象:模型的泛化能力在变强,一个只训练过「根据首帧和文字描述预测末帧」任务的模型,在没有接受图像编辑专项训练的情况下,也能在多个图像编辑测试中取得较好的结果。
换句话说,模型在训练一类任务的过程中,自发地学会了另一类任务。
这也意味着,一些过去需要专项模型或者搭配工作流才能完成的能力,已经开始被通用模型吸收了。只靠多接入几个模型形成的产品功能的差异,随着模型的泛化能力的提升,已经不复存在了。
抢先接入新模型,打时间差的优势,今天其实也没有了。
H3 开源后,主流的模型托管平台、开源工具和多家芯片厂商在几天之内就完成了适配。而作为业界瞩目的旗舰视频模型,Seedance 2.5 的同步接入已经是各类视频 Agent 产品的标配动作了。

LibTV 同步上线了 H3 和 Seedance 2.5
我们从 LibTV 了解到,H3 上线后,部分原本调用 Seedance 2.0 的电商和影视任务开始尝试 H3,主要考虑的是价格和具体任务表现。创作者会根据结果、价格和生产效率,在不同模型之间切换。
有些人已经摸索出一套跨模型工作流:先用 H3 打草稿,确认构图和节奏,满意后再换 Seedance 2.5 出终稿。草稿阶段可以确定提示词、参考素材组合和节奏。画面本身未必能直接带到下一个模型,但这套做法可以省下一部分试错成本。
很明显,模型选择本身正在成为一项需要产品来承接的能力。
什么任务需要调更贵的模型,什么场景用便宜模型就够了,这些都需要判断。产品还要考虑已有项目是否需要迁移。换掉底层模型后,原有的角色、场景和历史素材能否继续使用,也会影响选择。目前,这些判断仍然经常由创作者手动完成。长远看来,选择合适的模型这件事不应该是创作者要掌握的能力,这应该是产品和模型编排层要解决的问题。
除了选择模型,随着模型的变强,创作者还要管理更多变量。
首先是素材,一支广告、短剧或 MV,可能同时需要不同角色的正面与侧面参考,以及服装、场景、道具等等。Seedance 2.5 一次可以接收 50 份素材。用户要先找到正确版本,再把它们放进剧本和提示词的正确位置。输入上限提高后,素材的管理成为了新的瓶颈。

一个测试视频的素材管理,复杂一些的任务,素材会更多
然后是任务返工。视频从 15 秒延长到 30 秒,修复局部错误的代价也会变大。重新生成整条视频,token 花出去了,原本正确的部分也可能发生变化。
单条视频变长后,一次返工浪费的时间和费用也更多。能否只改坏掉的几秒,能否在正式生成前用较低成本验证方向,会直接影响项目的实际花费。Seedance 2.5 已经支持按时间戳定向编辑,并会尽量保持修改前后的连续性。模型提供了编辑能力,但产品要把它变成一套顺手的修改流程。
生成长视频还有另一层复杂度。H3 社区里有开发者分享过自己的办法:先让模型生成一段,再把上一段的尾部作为下一轮参考。生成时,他会持续提供同一张主体图片,以此维持角色一致性,最终拼出约 60 秒的连续视频。
MiniMax 技术团队对此回应道,这种续写能力确实存在。模型目前还没有原生训练过由多段续写组成的长视频,真正的连续长视频生成仍未实现。
这意味着,现阶段使用 H3 或 Seedance 2.5 生成长视频,仍要由应用层拆分片段、管理前后衔接,并维持角色和场景的一致性。模型提供续写能力,应用负责把这些片段组织成一个完整项目。
模型扩大的是生成空间,模型能力提升带来的这些工程复杂度,本来就应该由视频 Agent 和产品层来解决。
02
比起更快接入模型,
更好驾驭模型才是壁垒
今天的视频 Agent,已经在尝试解决这些实际的生产问题了。
LibTV 上的 AI 短剧《被裁掉的女孩》上线不到 30 天,第一季累计播放量已破亿。前 6 集主要由 3 个人完成,每集平均需要 2 到 3 天。技术门槛已经很低了,但生产上出现了一些新的瓶颈。
导演菲菲飞在采访中说,最耗费时间的环节往往是场景、服装、妆造和视觉基调的建立。团队需要逐一确认光比、色彩搭配、场景元素和人物服饰,再反复测试不同方案,直到画面接近他们想要的状态。为了让同一批角色连续出演十余集,电脑桌面上经常堆着几千张图片、几百条视频。只是要去找到某套服装或者某个场景,就需要花费不少功夫。
项目一旦进入连续生产,核心的瓶颈就从「能不能更快生成」转向了「能不能更好管理」。
SD2.5 和 H3 发布后,LibTV 核心的产品动作,基本也是围绕这些生产问题展开的。
首先是生成前的素材组织。逐帧拉片 Shot Breakdown 可以分析参考视频中的画面风格、关键帧、运镜、叙事节奏和背景音乐,再整理成可继续使用的参考素材组,这一过程不会扣除视频生成积分。
AutoLink 会读取剧本和画布素材,尝试把角色、场景和道具对应的参考自动放进提示词。用户仍然可以检查和替换,但不必从几十份素材中逐个查找和手动引用。它们的作用很实际,先替用户准备好输入,再交给模型。

第二个环节是生成后的局部修改。Seedance 2.5 本身提供按时间段定向编辑的接口,LibTV 把这项能力封装成时间轴上的选区、修改和回填流程。用户选中需要调整的区间,重新描述人物、动作或画面要求,再把新片段放回完整视频。
如果 30 秒里只有 2 秒出错,就只用重做这 2 秒,不用整条视频重跑。单条视频越长,局部修改能力的价值就越明显,能够显著降低重复生成的成本。
第三个环节是把多个片段组织成一个完整作品。Seedance 2.5 的单次生成上限是 30 秒,官方也支持多轮延长。LibTV 则支持把长任务拆成多个片段,保留中间节点和生成关系。用户可以展开、修改某个镜头,再同步回最终作品,最终可生成时长 5 分钟的视频。

用户可以展开查看、单独修改任一镜头,再同步更新最终视频
Seedance 2.5 API 上线当天,LibTV 就交付了这些功能。之所以能够同步上线,是因为画布、节点关系、资产库和时间线这套底座早就准备好了,新模型只需要接入既有结构。
反过来看,如果一个产品只有一个对话框和一个模型下拉列表,那么新模型再强,最终呈现的变化也只是模型选项里多了一个而已。
模型之上的竞争,比起谁先接入新模型,更关键的是谁能在新模型发布时,就已经准备好配套的生产系统,让模型能力真正快速交付用户想要的结果。
03
视频 Agent 之间的竞争,
开始走向模型层之上
模型迭代这么快,行业里始终有一种担心,Agent 应用会不会沦为单个模型的二道贩子?现有能力会不会被模型逐步吸收?
H3 和 Seedance 2.5 从不同维度提升了模型的能力空间:更强的任务泛化、更长的视频时长、更多的参考输入、更细的编辑控制。这些能力让单个镜头的生成变得更强,也让完整项目的管理变得更复杂。从这个角度来看,视频 Agent 的竞争优势和壁垒,也在随之变化。
新模型上线后,平台需要尽快判断它适合什么任务,哪些流量应该迁移,什么场景应该继续使用旧模型。H3 上线后的任务迁移,考验的就是这层响应速度。快很重要,但快是可以被追上的。
模型真正进入生产后,许多摩擦才会暴露出来。Seedance 2.5 支持更多参考,产品就得处理素材组织和匹配的问题。视频时长更长,产品就要降低局部错误带来的返工成本。生成素材越来越多,产品还得继续承接混剪和交付。
第三层涉及的是项目资产和团队流程的持续积累。一个项目做完,会沉淀下角色、场景、道具和历史镜头。团队还会形成审核与修改习惯,积累不同模型在具体任务上的效果数据。这些信息可以帮助下一个作品更快完成,也更难被复制。
视频 Agent 的素材管理,不管是模态还是复杂度上,都比代码 Agent 要更难管理。代码有 Git,写到一半的项目 clone 一下就能整体搬走,视频生产至今没有通用的状态格式。主角的面部参考、不同情绪下的表情设定,以及十几集积累下来的服装和场景资产,很多时候都与具体工具绑定。单个功能可能随时被模型厂商吸收,但这套持续积累的生产状态很难在一夜之间被取代。
过去的视频编排,更多是在图像、视频、配音之间传递结果。H3、Seedance 2.5 这样的模型出现后,编排的内容扩大了。Agent 还要处理剧本拆解、模型选择、素材继承、镜头状态和局部返工,以及决定人应该在何时介入。
未来的模型一定会吸收今天的一部分产品功能,靠单纯接入模型形成的差异也会继续缩小。但创作者最终要交付的内容不会变,他们面临的那些难题,素材组织、成本控制、局部修改和项目管理,也不会随着模型升级自动消失。
模型在变强,但模型编排没有消失,只是编排的对象从模型转向了作品。
今天视频 Agent 之间的竞争,也真正进入了模型层之上。好的模型,能决定第一条片子有多惊艳。一款好的 Agent 产品,最终决定了作品能否准时、高质量地交付。
文章来自于微信公众号 “Founder Park”,作者 “Founder Park”
Related topics
After reading
Join the AINRK community
Read how to join the community and connect with people working in AI.




