作者 | 陈骏达

编辑 | 心缘

智东西 4 月 15 日报道，就在刚刚，可灵 AI 面向全球正式发布可灵 2.0 视频生成模型及可图 2.0 图像生成模型，继续大幅领先业内前沿模型。可灵 2.0 在文生视频领域较 OpenAI Sora 实现 367% 的胜负比，在图生视频领域较谷歌 Veo2 实现了 182% 的胜负比。

与可灵 1.6 相比，可灵 2.0 模型在动态质量、语义响应、画面美学等维度有明显进步。在下方案例中，可灵 2.0 准确呈现了日光从清晨到正午再到傍晚的变化，还使用了延时摄影的风格。

▲右侧为可灵 2.0

可图 2.0 模型在指令遵循、电影质感及艺术风格表现等方面显著提升，色彩和光影更为高级，情绪表达更具感染力，并新增了 60 余种风格化效果。

在本次 2.0 模型迭代中，可灵 AI 还正式发布 AI 视频生成的全新交互理念 Multi-modal Visual Language（MVL），让用户能够利用图像参考、视频片段等多模态信息，将脑海中的复杂创意直接高效地传达给 AI，或是对视频、图像等多模内容进行编辑。

用户可以将视频、图片等作为元素上传，并直接将其嵌入至提示词中。这些元素能在画面内以合乎逻辑的方式组合，进一步提升画面的可控性。

可灵 2.0 系列模型发布即上线，用户现在已经可以在可灵 AI 官网和 App 内免费体验其生成效果。

一、告别慢动作画面，可灵 2.0 语义响应、动态质量与美学全面升级

快手高级副总裁、社区科学线负责人盖坤介绍，自去年 6 月发布以来，可灵 AI 已累计完成超 20 次迭代。截至目前，可灵 AI 全球用户规模突破 2200 万，过去的 10 个月里，其月活用户量增长 25 倍，累计生成超过 1.68 亿个视频及 3.44 亿张图片。

然而，现有的视频生成模型仍存在语义遵循能力差、动态质量不佳等问题，妨碍了创作者表达、控制生成结果的能力。可灵 AI 全系模型进行的本次升级，正是为了解决这些问题。

据快手副总裁、可灵 AI 负责人张迪介绍，可灵 2.0 的升级主要有三方面：语义响应、动态质量与画面美学。

升级后的可灵 2.0 可以更准确地反映人物表情、动作的变化，动作的丰富度、真实性有明显提升。在下方案例中，可灵 2.0 为准确描绘了提示词中 " 手锤桌子起身 " 的效果，而可灵 1.6 并没有完全还原。

可灵 2.0 也告别了视频生成模型的通病——运动速度不合理。在下方马飞速奔驰的画面中，可灵 2.0 的生成结果不再是慢动作，镜头表现更加真实。可灵团队还对其生成画面的复杂动作、动作幅度进行优化。

生成大片感的画面对可灵 2.0 来说也不是问题。下方这一画面中，无论是人物奔跑的动作，还是后方爆炸的效果，都十分逼真，角色演绎生动。

可灵 2.0 对时间的理解能力提升，能帮助创作者生成更连贯、更具有故事性、延续性的画面。

图像生成模型可图 2.0 的升级同样是在指令遵循方面。下方这一案例的提示词中具有 " 伺服电机 "、" 机械女神 "、" 壁画 "、" 拉斐尔《雅典学院》的古典平衡感 " 等诸多要素，可图 2.0 的生成结果很好地还原了相关要素，

可图 2.0 能更好地展现提示词中对于色彩、光影的表述，对人物情绪的呈现更具感染力。下方 4 张图片均为可图 2.0 的生成结果，若未经提示，或许许多人都会认为这是某部电影的截图。

二、打造人与 AI 交互全新语言，画面元素定制化更容易了

张迪在发布会现场分享了可灵 2.0 和可图 2.0 能力升级背后的技术创新。

可灵团队为可灵 2.0 采用了全新设计的 DiT 架构，这提升了其视觉、文本模态的信息融合能力。全新设计的 VAE 架构则使复杂动态场景下画面的过度更顺畅，质感更自然。同时，可灵团队还首次系统性研究了视频生成 DiT 架构的 Scaling Law 特性。

在模型训练、推理策略方面，可灵 2.0 在后训练阶段利用了强化学习技术，这提升了其对复杂运动场景、主体交互的生成能力，也强化对运镜语言、构图术语等专业表达的理解与响应能力。

张迪透露，目前可灵平台上高达 85% 的视频生成任务为图生视频任务。由此看来，更强的生图能力也成为创作者所需工具。

此次可图 2.0 的技术创新包括全新升级的文本表征处理链路、全面升级的数据体系和多样性以及全新的提示词工程和去噪策略。

升级后的可图 2.0 会深度思考用户的提示词，其逐步自适应的 Diffusion 去噪策略，可以优化出图细节，提升图像质量。

面向视觉创作者，可灵还推出了视频、图像多模态编辑能力，这些能力基于可灵提出的视觉生成交互理念 Multi-modal Visual Language（MVL）。

盖坤介绍，可灵团队发现，文字不足以向模型准确描述复杂动作、复杂表情等内容，可灵希望定义一种人与 AI 交互的全新语言，让模型能更好地理解人的想象力。

利用 MVL 技术，创作者可以利用视频、图像、文字等多模态信息，定义画面内人物的长相、着装、表情以及画面背景等。

在这一过程中，文本扮演了语义骨架的作用，多模态描述子（MMW）能嵌入这一骨架，扩展描述的完备性、准确性。未来，可灵还计划支持文本 +MMW 动作描述文件，画面角色的运动轨迹也能完全可控。

结语：基础大模型 + 创作工具全栈升级，快手要打造全球第一 AI 视频应用

本次可灵 AI 2.0 的升级，不仅包括基础大模型的能力提升，还有面向创作者日常生产流程的全栈工具优化，盖坤称，可灵 AI 的愿景是 " 让每个人都能用 AI 讲出好故事 "。

日前，在快手 2025 财年电话会议上，快手集团高管也分享了类似的观点，快手认为 AI 对其发展至关重要，将给予坚定、长期的投入，可灵会在技术升级的同时，进行全球市场和品牌运营活动。快手的目标是，将可灵打造为营收规模世界第一的 AI 视频应用。