“字节暗示我太穷”：Seed 团队 1000 张 H100 训练 7B 模型，发布全球首个 25 秒 AI 视频，验证视觉生成 Scaling Law？

这是全球首个由 AI 生成的 25 秒视频，由字节跳动发布的 Seaweed-7B 模型生成。

字节跳动近日宣布在视频生成领域取得重大突破——Seaweed-7B。这是一个参数量仅为 70 亿的视频生成基础模型，该模型在核心任务上的表现超越了参数量为其两倍的主流模型，而训练成本仅为其约三分之一。

字节跳动早在去年就开始预热 Seaweed 项目，如今，字节 Seed 团队终于放出了技术报告，详细介绍了其技术架构和应用案例，并强调了其在成本效益方面的突破。

这也是 Seed 团队成员的一次曝光。

Seaweed-7B 项目由多个团队共同研发。核心研发团队包括由蒋路、冯佳时等领导的研究团队，下设模型、数据方向和基础设施团队。此外，项目得到了朱文佳和吴永辉的支持。今年 2 月下旬，原 Google DeepMind 副总裁吴永辉正式加入字节跳动，出任 Seed 基础研究负责人。蒋路则早在去年就已加盟字节，作为前谷歌高级科学家，他曾主导谷歌的视频生成相关工作，并在多个核心产品中发挥了关键作用，包括 YouTube、云服务、AutoML、广告、Waymo 和翻译等。同时，蒋路也是卡内基梅隆大学（CMU）的兼职教授。

而他们放出来的宣传视频，这两天也让社区逐渐沸腾起来，引发了广泛而热烈的讨论。

从 Seaweed-7B 看视频生成的下一阶段

和目前主流的 AI 视频模型类似，Seaweed-7B 支持图像转视频、基于参考图像生成视频、半拟真的人物形象、多镜头切换以及高清分辨率输出等常规功能。

真正令人惊艳的是，它具备当前其他 AI 视频模型尚未实现的五项关键能力：

首先，它可以同步生成音频和视频。目前大多数模型都是先生成视频，再单独添加声音。虽然已有一些“音频驱动视频”的研究，但仍处于实验阶段。Seaweed-7B 的音画一体生成，在效率和内容一致性方面都迈出了一大步。

其次，它支持长镜头生成。OpenAI 的 Sora 虽然曾展示过分钟级视频，但公开可用版本的时长普遍仍在 20 秒以内。此次字节跳动展示的 25 秒视频不仅拉长了时长，更是在单条提示词下一次性生成，质量也远超以往拼接或续写的方式。

第三，Seaweed-7B 拥有实时生成能力。据介绍，该模型能以 1280x720 分辨率、24 帧每秒的速度实时生成视频，这在当前 AI 视频领域几乎是革命性的突破，将极大提升互动效率，也为实时创作和虚拟角色应用场景提供了新的可能性。

第四，它引入了名为 CameraCtrl-II 的功能，支持在三维世界中进行镜头调度。研究团队表示，该方法可通过设定镜头角度，生成高度一致且动态丰富的视频，甚至可作为三维视图合成器使用。

最后，模型在物理模拟与真实感表现方面也实现了显著提升。传统 AI 视频模型在处理旋转、舞蹈、滑冰等复杂动态时常显生硬，而 Seaweed-7B 的表现更为自然流畅，虽然仍有提升空间，但已明显优于过去几个月业内常见的模型效果。

这些视频效果让很多人觉得惊艳，不少网友感叹其在实时摄像机控制、长时高清视频生成和多镜头流畅切换方面的突破，直呼“太疯狂了”、“再次惊艳中国”，尤其“实时视频生成”的概念让人联想到未来 AI 在游戏等领域的可能性。

资源受限环境中，架构设计尤其重要

虽然视频生成的许多技术都受到图像生成技术的启发，但视频生成面临着独特的挑战。与静态图像不同，视频需要对运动动态进行建模，并保持长序列的时间一致性。这些要求极大地增加了训练和推理的计算复杂度，使得视频生成模型成为开发和部署中最耗费资源的基础模型之一。

2024 年 Sora 的发布被视为视频生成领域的重要里程碑，但训练这类模型往往需要极其庞大的算力，通常动辄上千张 GPU。

Seaweed-7B 的训练成本则小很多，仅 66.5 万 H100 GPU 小时，相当于在 1,000 张 H100 GPU 上连续运行约 27.7 天。

虽然该模型仅 70 亿参数，但从图像到视频的效果能超越同类 140 亿的模型。

在图像转视频的任务中，Seaweed-7B 在各项指标上均大幅优于 Sora。

在文本转视频的任务中，Seaweed-7B 在 Elo 评分中位列前 2-3 名，紧随排名第一的模型 Veo 2 之后，性能与 Wan 2.1-14B 相当。

而该模型能够以显著降低的计算成本实现极具竞争力的性能，也跟背后的架构设计决策密切相关。

根据公开信息，该模型采用 DiT（扩散变换器）架构，并通过对抗性后训练（APT）技术优化生成速度和质量。它只需单次神经函数评估即可生成 2 秒的 720p 视频，推理速度比同类模型提升 62 倍。同时也提出了变分自编码器（VAE）设计，VAE 定义了生成真实感和保真度的上限，这可能是该模型生成的视频具有高真实感和生动运动的主要因素。

在数据上，该团队开发了一套高吞吐量且灵活的视频管理流程，包括管理视频编码和解码、执行时间分割、空间裁剪、质量过滤等。

凭借这一基础架构，让 Seed 团队每天能够处理超过 50 万小时的视频数据，足以用于训练，因此可以将精力集中在有效地挖掘高质量视频片段上。为了优化视频片段处理时的吞吐量，他们使用了两个现代框架：BMF 以及 Ray 。

在 Infra 层面，字节跳动围绕“高效训练”进行了系统性的基础设施优化，显著提升了模型的算力利用率与资源效率。具体而言，团队采用三维并行策略（数据并行、上下文并行、模型切分）来应对长上下文视频训练的挑战，并引入“运行时负载均衡”机制，动态调配图像与视频样本在不同 GPU 间的分布，缓解联合训练时的负载不均问题。

此外，Seaweed-7B 还创新性地设计了多级激活检查点（MLAC）机制，支持将中间激活存储在 GPU、CPU 或磁盘等多层级介质中，不仅大幅降低了显存占用，还减少了重计算带来的性能损耗。为进一步提升训练吞吐，团队还通过 kernel 融合手段，将多个内存访问密集的操作整合到单个 CUDA kernel，显著提升了运算强度与 GPU 利用率。

字节在论文中表示，得益于这些系统级优化，Seaweed-7B 在大规模分布式训练中实现了 38% 的 FLOPs 利用率，成为当前 AI 视频生成领域中兼顾性能与效率的代表性模型之一。

不过，有意思的是，尽管字节跳动认为其资源消耗“适度”，不少网友却对此持有不同看法，直呼“字节跳动在暗示我太穷”。

他们指出，动用上千张顶级 GPU 进行近一个月的训练，无论如何都绝非小数目，强调这依然是需要巨大算力的投入，所谓“适度的计算资源”的说法并不恰当。

“字节跳动在暗示我‘GPU 穷人’。一个训练了 66.5 万 H100 小时的模型，却被称作‘成本高效’、‘计算资源适度’。”

参考链接：

https://arxiv.org/html/2504.08685v1

https://www.linkedin.com/posts/eddieyoon_this-is-the-worlds-first-25-second-ai-generated-activity-7317677545821192192--o0W/