Sora 之后，Seedance、可灵等国产视频模型，做出了世界的高度——中国视频模型为何能领先全球？Seedance 的发布（最新已经是 Seedance 2.5 的发布啦），究竟是结束了视频 Agent 的战争，还是开启了它？

我和 OiiOii 创始人闹闹，一起还原了属于视频战场上的大模型及智能体之战。

（本期内容详细梳理了 Sora 之后，视频模型的发展，及视频模型训练背后的人才体系、训练方法、数据奥秘，非常值得一听，也欢迎前往各大平台搜索本期内容的视频版😁）

从腾讯微信、字节剪映到创立 OiiOii，闹闹特别分享了她的产品世界观——感性与理性，是一体两面。而在视频这个领域，感性如何被量化，既是科学，也是艺术。

本期嘉宾：闹闹（视频 Agent OiiOii 创始人，前字节剪映负责人）

本期 Shownotes：

02:01 Part 1. 闹闹的成长史：观察者、群体之外与"创造环境"

当一件事需要你自己去创造一个环境

腾讯和字节是产品观的左右脑
张小龙的 8 小时内部产品演讲，"他用人类外的视角在观察人类——把人性的善和弱点放在放大器里发酵，再像园丁一样修剪”

· 在字节学到数据的应用，也看到数据的滥用——明知一个实验数据怎么才能为正，就为了正而去做它，但这不代表它长期是正的

内容型产品的核心，是把感性的好与不好归类量化

18:27 Part 2. 视频模型路径的判断：从 Sora 2，到 Seedance

早期视频模型以首尾帧为主——Vidu 第一次把“多参考图"这个概念做出来
Sora 2 验证了多参方向，开拓了模型的想象力
“Seedance 基本是 Sora 2 的升级版”
什么是视频生成的最佳实践？
“描述词要加正向和负向词，要叠加约束”
“视频生成交互的下一步不一定是文字”

27:28 Part 3. 为什么最好的视频模型出现在字节快手这样的短视频平台？

“视频模型不是创业公司该做的”
大公司的数据护城河：有过去做图形图像算法的积累，可以制定标注标准，执行到八九十分
可灵的前世今生：2021 年，快手 Y-tech 算法团队在视频理解上就不弱于（甚至强于）字节 AI Lab
两条视频模型路径：通用大底座（Seedance） vs 专业领域优先（可灵）
生态是分水岭：同样的算法，能不能用好这些数据，取决于过去推荐系统里有没有相关应用经验
中国为什么能在视频模型方面领先？
OpenAI Sora 的失败不是技术失败，是生态失败
视频模型领域的护城河不是算法，是"数据标注标准 + 组织执行力"

34:15 Part 4. 视频模型不会被吃掉：harness、感性 benchmark 与"推演不是赌"

· 视频模型的三角是效果、生成时间、生成成本——三者是 trade-off，目前还在效果空间里折腾

· 编辑方向迭代是最难的——现在改一个镜头里某处，模型只能重新生成，成本极高；diffusion 架构天然不擅长局部修改（先发散再收敛）

· harness（约束、收敛）一定会进入多模和视频领域——和 Coding 一样要做到"可交付物"，模型出三四十分、应用做到六七十分及格

· 多模和语言模型不能直接对比——语言显性、多模感性；感性可以被结构化但颗粒度更粗，每家公司每个用户的 benchmark 都不同

· 经验主义在 AI 时代依然有用——Coding 做得好是因为程序员就是最实际的需求方，且 Coding 本身又是语言、是标准化的

💡 视频生成本质上的难题：标准答案不唯一——"小狗在海滩边"在每个人脑里都不一样，难收敛也难评估；只要标准答案不唯一，agent 在视频领域的可发挥空间就是巨大的

💡 模型和应用的分工预期：模型做 30 分，应用做 60-70 分，把不确定性的下限提高——这是当下最现实的可交付逻辑

🎙 「我们现在吹的模型有多好，真的专业的人很多时候用的时候就很头疼，只是大家在行业自嗨」—— 36:31

🎙 「这不是赌——赌它就是有概率，推演和赌是两回事。如果对这个行业本身发展路径完全无知，AI 是没有办法服务好这个行业的」—— 37:21

---

42:33 不做 AI 时代的剪映：第二次创业为什么是 OiiOii ？

· 剪映虽然是字节里被寄予厚望的 AI 一线，但它服务数亿大盘的包袱在那里——它做 AI 只能是辅助；AI native 的产品需要新形态

· 闹闹想做的事情是"理念相通"而不是"形态相同"：把创作门槛降到普通人能用，但不一定是剪映

· 在抖音做过创作者激励——发现物质激励会让创作初心偏掉，想做"精神 + 物质合一"的付费内容激励（被打赏更接近一个精神激励）

· 在大厂试遍了，发现没有完全无顾忌冲锋陷阵的环境——这是志向一致性的问题，长期改不了，只能自己造一个

· "不要成为什么样的 leader"：太觉得自己行的盲目型（听不到不同声音）；不做利益取舍的老好人型

· 第二次创业的起点很明确：AI 视频创作，先从动画切入——因为 AI 之前动画成本极高，AI 之后被打平

💡 大厂内 AI 产品的隐形天花板：不是能力问题，是"包袱"问题——服务数亿大盘和做 AI native 形态是天然冲突的两件事

🎙 「我对这个不抱有希望了，它非常取决于人和人之间的志向的一致性……我只有自己去创造一个这样的环境」—— 42:22

---

46:42 模拟剧组：OiiOii 的 7 个角色、改变生产组织、抽卡降本

· 产品定位是模拟真实剧组协作——拆成 7 个工作角色组成工作流，让普通人也能产出"有信息量、有人愿意看的"交付物

· 没发布前 10 万人排队的两个原因：50% 偶然（免费 + 那时模型便宜，UGC 玩得起来）+ 50% 做对了"一句话生成视频"的 Aha moment

· Seedance 涨价后被迫开始收费，UGC 用户流失、PGC 比例上升——这是被迫接受的遗憾

· 模型之上的独立价值在每一步都需要 benchmark 选最优解：plan 用哪家语言模型、写剧本用哪家、设定/分镜各用什么图模型、每家 prompt 规则还不一样

· MJ 没被吃掉的原因：风格保持比通用模型强、但人物一致性差——agent 要做的是"在路由里混搭"

· 团队配置不是堆人能解决：模型产品 + 算法 + 效果设计师，3 个角色综合作用，每个都对模型、感性和工程有要求

· 真正改变的是生产组织——两三个人做掉原来十几人的活，且不失专业度；时间/人力/算力三个成本同时降低

· 并发 40 镜头同时生成 + 抽卡概率压低（剧情缓和/激烈分别对应不同 prompt 标准），把抽卡成本从七八次压到两次

💡 视频 agent 的真正价值不是"再做一个剪映"，而是用更小单位的组织（2-3 人）替代原来 10+ 人的生产流，且不失专业度——agent 在做的事，本质上是生产关系的重构

💡 大厂在算法/产品上的人才优势没那么大——特效这种"感性结构化"岗位极其稀缺，不取决于人多，取决于能不能找到同时具备技术、审美、产品三栖能力的人

🎙 「它必须要有，得有三个角色在控制这个东西，一个是叫模型产品，一个是叫算法，还有一个叫效果设计师……这三个工种本身协同作用，它才能做好这件事情」—— 54:44

🎙 「我们的会员并发的席位最高是在 40 个并发，就是你一下子可以出来 40 个镜头」—— 01:11:38

---

57:02 Sora 关停与 Seedance 2.0：视频 agent 战场才刚开始

· Sora 关停可惜——它在视频领域"很长时间没有竞争对手"，但 OpenAI 选择把资源投给 Coding 能力

· Seedance 2.0 综合能力比 Sora 强、但真人表现力不如；风格一致性、人物一致性也弱一些；音同步/口型/动作流畅度遥遥领先

· 海量视频 agent 涌现是"妄想"市场——很多其实是中转站包装、用"免费 Seedance"圈一波钱就走（挂的根本不是 Seedance）；上一波类似套路是用 Claude Code 海外壳骗钱

· 套壳产品的定义：没有完全在模型之上做东西的就是纯套壳——Manus 不算，它在很多场景里用起来比模型本身强很多

· 鉴别 agent 厚度只能"试一遍"——长时间序列任务（长法律文件、长故事）对厚度的要求最高，越长越难做、做好了就越有价值

· 视频领域不会 winners take all——产品层标准是相对正确/错误、相对美/不美，而不是 0/1

· 2.0 新增功能：拉片复刻（怎么拉、按什么维度过镜头都是黑盒）；Skills（投喂 5 个左右好视频生成访谈类/广告类等模板，有那个味道、又不像传统模板僵死）

· 抖音特效是"感性结构化"的典型案例——一个变漫画特效训了 3 个月，包含怎么定义美/不美、以及怎么推爆（推荐路径里给不同标签用户匹配不同流量）

💡 大量视频 agent 涌现是"妄想"的市场状态——大家以为有利可图，实际上 90% 是中转站包装/套壳/圈钱；agent 概念本身正在变成廉价的标题

💡 评估 agent 厚度的关键指标是"时间序列长度"——越长越能拉开 agent 和基模的差距，因为越长的内容越需要约束、越发散的工作流越靠 agent 编排

🎙 「带有长时间序列的这种东西，它对于厚度的要求是高的」—— 01:08:04

🎙 「Seedance 它基本上就是一个 Sora 2 的升级版」—— 20:41

---

01:20:44 切入 ACG 与自媒体：大厂吃不到的中间层

· ACG 三块：动画（成本低但行业苦、生产成本对普通人仍高）、短漫剧、游戏

· 大厂会优先吃最有利可图的方向，创业公司的机会在"中间组合"和"病毒级趋势"刚冒头的窗口

· 短漫剧正在从人力密集型转向小单位组织——这是 OiiOii 服务的"小 B"群体

· Pro C 是另一群人——做自媒体而不是做剧；剧的场子被红果这类生态锁住，自媒体的场子是抖音/小红书/B 站

· 头部效应明显的领域里，95% 没赚到钱的人会转到更大的池子找适合自己的内容形态——他们是 agent 的核心用户

· 视频 agent 接下来 2-3 年的分化：垂类切（少儿、医疗、解说）+ 表达力切（短平快段子 vs 深度信息量）——视频比语言模型更多元

· agent 和基模不是竞对——基模越好对 agent 越好；同时 agent 也有约 40% 的差异化空间

· 字节多方探索的劣势是尝试心态——意志不高、资源分散；创业公司单点 all in、又小又精，反而更有优势

💡 视频 agent 的产业判断：人力密集型的内容生产组织必然演化成小单位组织；溢出的个体会成为"打引号的自媒体"——这群人是 agent 接下来真正的用户基本盘

💡 大厂 vs 创业公司的差别不在起跑线，在意志：大厂多方探索意味着每个项目都是尝试心态，意志不高；创业公司单点 all in，反而灵活有优势

🎙 「我们的团队又小又精，又没有很多的组织的利益纠葛……反而是一个更轻松和快速的，反而是有优势的」—— 01:30:00

---

01:32:18 入场时机、模型涨价与"谦逊"的稀缺

· 现在做 agent 有点早，但早有早的好——能积累认知，永远第一个出现的人会被更多人记住

· 侦察模型动向的方式：看创作者共性不足的点（一定是模型必做的方向）+ 行业里的人聊聊（虽然他们未必告诉你）

· 模型涨价的真正逻辑：不取决于成本，取决于"涨价是否伤害大部分人利益"——视频领域涨价会让更多人失业、赚不到钱，所以涨不上去

· 字节是精明公司——能涨且不伤害大部分利益就一定会涨；不涨说明这已经是最优解

· 国内 agent 调度的模型：可灵、Seedance、Vidu、海螺

· Seedance 2.0 真正值得学的是"做细"——数据的重要性大家都知道，但真正去做执行的脏活累活、扎扎实实老老实实地堆，这是 AI 创业里最稀缺的

· AI 时代顶级产品经理画像：对新知识保持好奇 + 敢挑战但基于现有基础 + 有审美 + 能把感性翻成机器可理解的理性语言 + 谦逊

· 闹闹自我评价是"INTJ 学徒"，坚决推开"AI 时代顶级产品经理"的标签——她说自己阶段性的妄想是终局产品不是手机、不是眼镜，而是通过神经传导的视听语言

💡 模型涨价的真实逻辑：不是定价权问题，是"涨价会不会让更多人不赚钱"的生态问题——一个生态里的钱不能涨价（视频），一个生态外的钱能涨（Coding/法律文件）；这条规则解释了为什么字节豆包没把视频价格继续往上推

💡 AI 时代最稀缺的不是技术，是"谦逊"——自信容易变盲目，谦逊则是一种勇气，愿意承认自己的不足；这同时是学习能力的根，也是面对模型快速迭代时不被淘汰的根

🎙 「现在的 AI 创业里头，非常缺乏真的知道什么叫重要的细节，且踏踏实实和老老实实的去做脏活累活的人」—— 01:28:13

🎙 「谦逊代表着你能学习……如果你缺乏了这个东西，你会觉得自己完全没有错，或者自己完全就是那个最好的，它不是一种自信，它可能导致出来的东西是一个盲目」—— 01:43:40

在小宇宙查看该单集文稿

78.Seedance之后，视频Agent何去何从？｜与 OiiOii 闹闹聊视频模型的秘密：数据、生态与感性的结构化

卫诗婕｜漫谈Light the Star

78.Seedance之后，视频Agent何去何从？｜与 OiiOii 闹闹聊视频模型的秘密：数据、生态与感性的结构化