这回说个不一样的视频模型：sand.ai的Magi-1。具体有啥不一样？我们先翻了翻sand.ai的资料，发现他们团队还真是有点来头。创始人曹越和联创张拯早在2021年的万引神文Swin Transformer就有合作，都曾就职于科技界的黄埔军校 - 微软亚洲研究院。曹越还是光年之外的创始人之一。
在强强联手的buff加持下，sand.ai创立才一年多就有了自己的第一个视频生成模型 Magi-1。
据说Magi-1是现在市面上唯一一款能进行无限时长视频续写的模型，还能精细化控制到每一秒生成的内容。
要知道现在视频生成模型的极限普遍就几十秒，像可灵那样一分钟以上的都很少见。要生成更长的视频，那是另外的...另外的价钱也不行，这是底层模型的技术问题。
而Magi-1支持无限时长续写，还可以每次同时生成最多16个1s到10s的视频。
不光技术有创新，sand.ai还表示，他们已经在4月21日开源了模型，并同步上线产品 demo。
连业界大佬都发文力挺sand.ai，李开复发帖，这是继 DeepSeek之后又一个开源的世界级模型。
美团创始人王慧文也为sand.ai这波开源发声：“只有科技的不断前行，能挽救人类掉入零和游戏的深坑。”
我们去翻了几个官方的案例，好像确实有点东西啊。
看看这飞快的运动速度！
再看看这丝滑的镜头转换！
这可让世超有点期待了。
不过得先冷静一下。测试下来，感觉想法是很有潜力的，有优势和特色，但是生成的效果还有待提升。
我们先找了个梦中情车的正面特写慢镜头，准备续写接下来世超驾驶Lamborghini秋名山车神再世的画面。
测试的过程中，我们发现Magi-1对于运动速度和镜头的控制确实很优秀。兰博基尼在路上疾驰的效果做出来了，镜头也很有电影感，一直聚焦在跑车上。
还有一个很明显的优点，就是Magi-1对于视频主要物体的保护非常到位。不会在多次续写之后，跑车变身大黄蜂的情况。
它对物理环境的理解也是正确的，车辆一直保持在地面上，没有出现低空飞行之类的骚操作。
不过...Magi-1好像有点健忘。比如前三段生成的视频都知道车后是一面墙，结果第四段直接一个倒车摆尾漂移丝滑上路了。
而且场景理解自从上路就越来越抽象了。除了克苏鲁风绿化带，提示词让它在红灯前刹车，本意遵纪守法，它直接来个交通肇事。
虽然确实是在红灯前刹车，没毛病
但我们接下来的测试发现，效果不好也不能全怪模型，还可能是提示词出了问题。
打开Magi-1的提示词增强，它可以把简单的提示词扩展成更详细、容易让模型理解的指令。但在实际使用的时候，它出现了添油加醋，假传圣旨的现象。
比如这里，我们只想让小鸡玩具跳起来，提示词增强自己给自己上了个难度，还要让小鸡扇动翅膀。
但如果我们把提示词复制一遍，只删掉扇翅膀的要求，关掉提示词增强，生成的视频效果立刻好起来了。
左图有扇翅膀提示词，右图去掉扇翅膀提示词
接下来，我们再对之前的跳跃提示词直接进行修改，变成让镜头逐渐左移。
效果看起来也不错，环境没有崩，小鸡也没有崩，镜头的确移动了。
所以这里有个小小的功能改进建议嗷：
在进入视频生成环节之前，最好让大家伙儿看看增强的提示词对不对，给一个修改提示词的机会。
毕竟生成一次还是要等挺久的，要是最后才发现中间提示词被魔改了，有点搞心态。
这也侧面反映了，Magi-1对于提示词是非常敏感而且要求很高的。想用好它，最好知道什么样的提示词才能让它出好活。
看完测试，你可能觉得，这模型有点拉呀，现在生成效果比这个好的多的是，为啥把它拿出来说？
因为它和我们熟悉的 Sora 等非自回归DiT模型(Diffusion Transformer) 的技术路线完全不一样，是一个自回归生成模型AR(Autoregressive model)。
作为一次创新尝试，它有自己独特的优势和潜力。
AR 模型就像一条环环相扣的锁链，每一次生成视频的新一帧，都在前一帧的基础上。这样生成的视频相邻帧之间就会有强相关性。
而 DiT 模型更像是放在一起伪装成锁链的一堆铁环。它为了效率会同时生成很多帧，但没有办法兼顾到帧与帧之间的关联。
为什么sand.ai要尝试一条新路，选择和主流视频生成都不一样的 AR 模型呢？
我们对sand.ai团队进行了简单的采访，很荣幸得到了对 Magi-1 更专业、长远的解答。
sand.ai表示，他们早在Sora发布前就洞察到了AR模型在视频生成方面的潜力。坚持AR，是因为它在大语言模型上已经被证实是可扩展的(scalable) ，而scalable在很大程度上决定了这个技术在未来的上限。
理论上，AR 模型和语言模型的技术路线更接近，有机会让语言和视频统一建模，使文字和视频之间的关系就像现在文生图一样紧密，效果有可能实现一次跃迁。
另一方面，视频随着时间的推移往往还有物理和逻辑的相关性。比如篮球如果被篮筐拦住，它就不会再掉落了。
下图是用Magi-1生成的
DiT每帧独立生成的方式可能会切断这种关联，没准会让篮球直接魂穿篮筐。而AR会更好地理解视频内容，不仅内容合理，还会在运动幅度、速度上表现得更好。
虽然技术路线目前看还没有完全成熟，但sand.ai相信AR会是未来。随着技术的不断迭代，也许就会找到最合理的 AR 模型视频生成的方式。
于是按照他们的说法，在对技术全面而理性地分析后，sand.ai在AR视频生成上下了注。
其实，在视频生成领域卷到飞起的今天，sand.ai看似迟到了，但在上限更高的AR视频生成上他们却是先发而至。
最重要的是，sand.ai这波开源，属实格局拉满。
科技行业的每一次重大开源，都会带来一场百花齐放。期待sand.ai未来的更多产品，以及更多团队在Magi-1基础上的创新成果。