在人工智慧領域，許多企業仍在猶豫是否選擇開源路線。但阿里巴巴技術團隊正大膽邁進，近期發布了其尖端影片生成模型「萬象」。這款開源模型不僅包含完整推理程式碼與權重參數，更採用目前最靈活的開源授權協議。
影片生成技術的挑戰
熟悉影片生成模型的人都知道，這類技術面臨多重挑戰。例如多數模型難以精準呈現複雜人體動作（如體操空翻或舞蹈動作），物體間真實互動效果（如碰撞反彈）也常參差不齊。即便使用較長文字提示，模型往往出現「選擇性遵循」現象，僅執行部分指令。能同時攻克這三大難關的模型，鮮少會選擇開源。
阿里巴巴的萬象解決方案
阿里巴巴的萬象模型採取了不同技術路徑。該模型不僅能捕捉旋轉、翻騰、跳躍等複雜動作，更能重現碰撞、反彈、切割等真實物理現象。其獨特之處在於可同時處理中英文長文本提示，精準解讀文字指令並生成相應場景轉換與角色互動。 
讓我們透過官方示範案例具體了解：
示範一：跳水動作
提示詞：專業跳水選手從跳台躍下，身穿紅色泳褲，空中倒立伸展，雙腿併攏。鏡頭隨入水角度變化，藍色背景中水花飛濺。
示範二：馬術障礙賽
提示詞：騎手專業駕馭賽馬跨越障礙，騎手專注著專業裝備，賽馬流暢躍過每道障礙，展現精準控制力。動態場景張力十足，背景為自然戶外環境。
示範三：貓咪拳擊賽
提示詞：兩隻擬人化貓咪穿戴拳擊裝備，在明亮擂台上激烈對戰。畫面捕捉快速移動、強力出拳等生動細節。
萬象的實際應用價值
或許有人質疑：無法在常規硬體運行的開源影片模型有何意義？阿里巴巴貼心推出14B與1.3B兩種參數版本。14B版本專注高效能運算，1.3B版本則針對消費級GPU（如4090）優化，僅需8.2GB視訊記憶體即可流暢運行，且能輸出480P高品質影片，特別適合學術研究與二次模型開發。
即便縮減規模，萬象模型在VBench等主流評測平台仍展現驚人實力。其綜合評分達86.22%，超越包括Sora、混元影片、Gen3在內的國際同類產品。
萬象核心功能解析
一、文字生成影片
「文生影片」是萬象的招牌能力。簡單來說，透過文字描述即可產出電影級特效、特殊字體甚至動態標誌。這種靈活性使其在同類產品中獨樹一幟。
- 案例：霓虹都市景觀中，「歡迎」字樣以賽博龐克風格呈現於發光看板。
二、複雜動作生成
複雜動作向來是影片生成最大難點。無論旋轉、跳躍或奔跑，些微誤差都會破壞真實感。萬象在此領域表現卓越，動作捕捉精準度驚人。
- 案例一：籃球員跳投動作，從起跳到球體軌跡均精準呈現。
- 案例二：小丑走過燃燒貨車，誇張肢體語言與表情以電影質感呈現。
三、長文本指令遵循
萬象不僅處理簡短指令，更能根據長文本生成高細節場景，在多主體、多動作情境下保持一致性。
- 案例：廣角鏡頭捕捉熱鬧派對場景，包含多元舞者、鮮豔裝飾與節慶氛圍。
四、物理現象建模
該模型在物理模擬方面同樣出色。例如傾倒裝有牛奶的透明玻璃杯時，能精準模擬液體流動與表面張力。
- 案例：草莓落入水杯，模型捕捉水果與液體互動，生動展現水花飛濺與果體下沉物理過程。
核心技術創新
萬象的強大性能源於兩大創新：高效因果3D VAE（變分自編碼器）與影片擴散轉換器（DiT）。
一、高效因果3D VAE
阿里團隊針對影片生成特點設計全新3D VAE架構，實現時空維度更高效的壓縮處理，既降低記憶體消耗，又確保時間因果性，這對維持影片事件流至關重要。
二、影片擴散轉換器
萬象採用最先進的擴散轉換器（DiT）架構，透過全域注意力機制建模長程時空依賴關係。基於線性雜訊軌跡的架構設計，確保生成影片具備時空一致性。
開源模型的未來展望
萬象的發布為影片生成領域樹立新標竿，證明開源模型可超越閉源產品。結合阿里先前開源的Qwen語言模型等舉措，這標誌著AI發展的重要里程碑。
透過開源這些強大模型，阿里巴巴已站穩AI創新前沿。萬象等模型現已登陸GitHub、HuggingFace、摩達等平台，支援從學術研究到商業影片製作的多元應用場景。
結語
萬象的問世改寫了AI影片生成格局。憑藉其從文字生成高細節影片、模擬複雜動作、建構真實物理現象的能力，勢將重塑廣告、影視乃至遊戲產業。阿里巴巴對開源AI的堅持，正不斷突破技術邊界，為影片創作領域樹立新典範。
