第 29 周把上周的实验推成了形状:Meta 携 Muse 入局专业 AI 视频;导演型 Agent 从单点产品长成一个品类;平台变成聚合器、而「编辑」塌缩进一句 prompt;运动控制借「视频模型出代理」转向主体无关;工艺则收敛到「拍摄配方」与「自检式 prompt」。
继上一周的 Muse Image 之后,Meta 的 Muse Video 本周浮出水面——尚未公开,创作者便用 Seedance 复刻它的 demo 来评判,判断「很强」。如今已有三家超大厂前沿实验室坐进专业 AI 影像——这个此前基本被 Seedance 主导的领域——意味着价格压力,更有用的是不再有单一厂商锁定。对工作室,持久的姿态是保持模型层可替换:把每个新前沿模型当成「插进自家 QC 之后的候选」,而不是重构管线的理由;且按正式发布评判 Muse,别按 demo 片。
一周之内:Pika 开放了 Agent 驱动的 Director’s Suite、有创作者用它导出整部全 AI 办公室情景喜剧、又冒出第二个产品 OpenArt Director;同时 Higgsfield 给「哪个推理大脑(GPT-5.6 Sol vs Fable 5)更会导 Seedance」跑分。几天内两个独立的导演型 Agent 加一部多场景情景喜剧,说明一个「你描述影片、Agent 来执行」的品类正在成形——它还把「用哪个模型」拆成两问:导演 LLM 与渲染器如今是分开、可替换的选择。对自建工作室,护城河推到 prompt 下游——品味、镜与镜的连续性、QC 与溯源——所以拿这些 Agent 来跑、摸清默认判断,但把控制面攥住;并让 prompt 工艺保持模型无关,好在各家你追我赶时随时换「导演大脑」。
Runway 把对手的模型(Seedance 4K/Mini、Seed Audio、Google Omni Flash、Seedream 5.0 Pro)摆上自家开发者平台;Seedream 5.0 Pro 成了跨平台的「首帧标准」;Pika 接入 Gemini Omni,用 prompt 改一段视频的背景/机位/服装/语言——还上了 MCP。两件事同时发生:厂商赌「持久的那一层」是平台与计费、而非任何单一模型;而后期——补光、换装、重构图、配音——塌缩进和生成同一个对话式入口。对工作室的判断:做集成方而非 API 二道贩子——握住企业从裸接口买不到的品味、管线与 QC;并在压测过身份与连续性后,把 prompt 式编辑当成快速的本地化与变体杠杆。
本周浮出一种技法(ProxyPose,arXiv):把 6-DoF 姿态跟踪重写成视频到视频翻译——一个微调过的视频模型渲出一个「彩色多面体做被标像素处同样局部刚体运动」的合成视频,再用经典求解器反解出完整的平移与旋转——无需绑骨、无骨架、不对主体做任何假设。它重要在于给运动捕捉补上了人体姿态估计器给不了的东西:任意主体上的朝向,绕开了「给龙、机甲、载具幻觉出人形骨架」那个老毛病。对任何在做运动控制或参考片驱动图生视频的人,这条路值得原型验证——主体无关的运动代理不需要训练数据、把最难的一段交还给经典几何,代价是重 GPU 与尚未明确的许可。
两条工艺线并行成熟:把强图像模型串进视频模型、靠点名「拍摄介质及其缺陷」来伪造年代纪录片素材;以及「一条 prompt 的威力是内建的自检循环、不是长度」的论点——500 字符若能让模型拒绝草率答案,可胜过只堆描述的 5000 字符。两者指向同一处:质量来自具体度 + 一个检查步骤,而非体量——这正是为什么工艺值得固化成可复用的配方与版本化 prompt 系统,而不是每个镜头重新即兴。对团队的启示:沉淀一套「拍摄配方」库(年代、设备、镜头、颗粒、手持),并把质量标准与自检建进 prompt 本身——这也是为什么 prompt 系统应作为独立版本化的层存在、与任何单一模型解耦。
Pika 把它的 Gemini-Omni 视频编辑同日上了 MCP,紧随 Higgsfield 之后——意味着这些厂商设计时预期的主要操作者,越来越是 Claude 这类助手,而不是坐在网页界面前的人。当生成与编辑都变成可调用的工具,界面优势被侵蚀,杠杆移向「谁带着品味与控制去编排这些调用」。对自建工作室,这正是「握住编排层」的论据——manifest、QC 关卡、溯源——并把每个厂商工具(Pika、Higgsfield、Seedance)当成可从自家 Agent 触达、可替换的执行面,好让没有任何单一工具的路线图能左右你的产线。
