科技日报记者 杨雪
9月24日，字节跳动旗下火山引擎在深圳举办AI创新巡展，发布了豆包视频生成-PixelDance、豆包视频生成-Seaweed两款大模型。此前视频生成模型大多只能完成简单指令，豆包视频生成模型则能实现自然连贯的多拍动作与多主体复杂交互，例如让不同人物完成多个动作指令的互动，人物样貌、服装细节甚至头饰在不同运镜下也保持一致，接近实拍效果。
据火山引擎介绍，豆包视频生成模型基于DiT架构，通过高效的DiT融合计算单元，让视频在大动态与运镜中自由切换，拥有变焦、环绕、平摇、缩放、目标跟随等多镜头语言能力。全新设计的扩散模型训练方法攻克了多镜头切换的一致性难题，在镜头切换时可同时保持主体、风格、氛围的一致性，这也是豆包视频生成模型独树一帜的创新点。
经过剪映、即梦AI等业务场景打磨和持续迭代，豆包视频生成模型具备专业级光影布局和色彩调和，画面视觉极具美感和真实感。深度优化的Transformer结构，则大幅提升了豆包视频生成的泛化能力，支持3D动画、2D动画、国画、黑白、厚涂等多种风格。
此次活动中，豆包大模型还发布了豆包音乐模型和同声传译模型，全面覆盖语言、语音、图像、视频等全模态，全方位满足不同行业和领域的业务场景需求。产品能力提升的同时，豆包大模型的使用量也在极速增长。据火山引擎披露，截至9月，豆包语言模型的日均tokens（模型理解和处理的基本单位）使用量超过1.3万亿，相比5月首次发布时增长十倍，多模态数据处理量也分别达到每天5000万张图片和85万小时语音。
此前，豆包大模型公布低于行业99%的定价，开启国内大模型降价潮。火山引擎总裁谭待认为，大模型价格已不再是阻碍创新的门槛，随着企业大规模应用，大模型支持更大的并发流量正在成为行业发展的关键因素。业内多家大模型目前最高仅支持300K甚至100K的TPM（每分钟token数），难以承载企业生产环境流量。为此，豆包大模型默认支持800K的初始TPM，客户还可根据需求灵活扩容。
“视频生成有很多难关亟待突破。豆包两款模型会持续演进，在解决关键问题上探索更多可能性，加速拓展AI视频的创作空间和应用落地。”谭待说。
