模型正在同质化，工作流却没有

如果要用一句话概括 AI 视频生成市场眼下正在发生的事，那就是：

“模型同质化的速度越来越快，产品的差异化正在向模型之上的层级转移。”

2024 年时，市场还在比哪个模型能让人物自然地动起来、哪个模型能模仿运镜。进入 2025 年，这些差距迅速缩小。到了 2026 年的今天，一个模型擅长的东西，另一个模型两三个月就能追上。差距并没有消失，而是差距能维持的时间变短了。

这篇文章是我们站在“在这些模型之上打造工具”的立场，对行业走向所做的梳理。

模型正在同质化

过去一年的趋势很清楚。

• 新模型的发布周期变短了。一家公司发布新模型后，同一个季度内，其他地方往往也会冒出性能相当的新模型。
• 每秒价格下降了。生成同样的结果，成本只需半年前的一半，甚至四分之一。
• 开源追上来了。过去只有闭源模型才能达到的质量，如今用 Wan、HunyuanVideo 这类开源模型也能实现。

当这三件事同时发生，依赖某一个模型的产品战略就会变得脆弱。“今天最好的是 X 模型”这个命题，到下个季度就会换成另一个名字。

我们在其他行业也见过这一幕。数据库是这样，云计算也是这样。起初，市场比的是哪个引擎最快、哪家云最便宜。随着时间推移，引擎和云都同质化了，差异化转移到了其上的运维、流水线和工具。

我们认为，AI 视频模型也正走在同一条路上。

那么，为什么同一个模型做出的结果差别这么大

有意思的是，伴随同质化，还出现了另一种现象。

两个人用同一个模型、同样的价格、同样的免费积分，围绕同一个主题制作视频，成品的完成度却相差甚远。差异并不来自模型。

仔细看差异从何而来，最后大多会落到同一个地方。

• 尝试了哪些提示词，按什么顺序尝试
• 如何让同一个角色在多个分镜中保持同一副模样
• 留下了哪些分镜，舍弃了哪些分镜
• 用什么把分镜与分镜衔接起来

这不是模型决定的领域，而是工作流决定的领域。

模型给你的是一个分镜。但视频不是一个分镜，而是一连串分镜编排成故事的结果。从“一个好分镜”到“一部好作品”的那段路，模型并不负责。

所以，模型越是同质化，“在它之上放什么”就越会成为市场真正的问题。

模型路由——不是一个模型，而是多个模型

工具层正在发生的一个变化，就是模型路由。

也就是在同一部作品中，按场景使用各自擅长的模型。动作幅度大的分镜交给 Kling，安静、重氛围的分镜交给 Veo，需要多镜头构成的部分交给 Seedance，需要控制成本的过渡分镜交给开源的 Wan。既可以由用户逐个分镜亲自选择模型，也可以由工具读取分镜的意图自动路由。

当这种做法成为常态，“哪个模型最强”对用户来说就不再那么重要了。重要的是“这个分镜用的是哪个模型”，而更重要的是“这个决定是不是每次都得我自己来做”。

工具承担的职责，正在从调用一个模型，转向在多个模型之间进行选择与组合。

一致性——模型解决不了的问题

与模型同质化无关，还有一个单靠一个模型难以解决的问题。

那就是角色一致性。

在一个分镜里表现很好的角色，到了下一个分镜，脸却微妙地变了。头发长度不一样了，服装看起来像另一件衣服。如果只是一张静态图片，生成一张好的就够了；但在视频里，多个分镜必须让观众认出是同一个人。

这个问题在模型内部只得到了部分解决：有的模型能接收更丰富的条件输入，有的模型能单独接收角色嵌入，也有结合 LoRA 等适配器的方法。但只调用一次模型，就想在整部作品中保持同一个人物，目前仍然不够稳定。

因此，一致性正逐渐被确立为需要由工具层以系统方式解决的问题。

• 以项目为单位保存角色定义，而不是以分镜为单位。
• 为每个角色绑定训练好的适配器（LoRA 等），每次生成分镜时自动组合。
• 把同一角色之前的分镜作为参考，重新输入到下一个分镜的生成中。

这类基础设施并不会因为模型降价而自动变便宜。这是做工具的一方必须亲自搭建和运营的领域。

那么，工具会走向何方

梳理到这里，AI 视频行业的重心如何移动，轮廓已经很清晰了。

模型越来越快地变得相似、变得便宜。结果就是，只是简单套用某一个模型的“套壳”产品，价值会迅速缩水。能让用户不必纠结“这用的是 X 模型还是 Y 模型”也能拿到好结果的一方，才具有差异化。

反之，工作流、一致性、序列——这些不会同质化。用户为了做出一部完整作品而不是一个分镜所经历的那些步骤，并不会因为模型降价而一起变便宜。恰恰相反，模型越便宜、越快，用户就会生成得越多、比较得越多、选择得越多。他们需要一个能承接整个过程的工具。

工具承担的职责正在不断扩大。

• 模型选择的自动化（模型路由）
• 以项目为单位保留角色、风格和世界观
• 保持从剧本到故事板、分镜、时间轴的完整流程
• 记录并比较用户的多次尝试，决定保留什么、舍弃什么

这类工作，无论下个季度出现什么模型，都会持续保有价值。模型可以替换，但用户一路积累起来的工作流程无法替换。

写在最后

“哪个模型最好”这个问题，正从一年问一次，缩短为一个季度问一次，甚至一个月问一次。一个问题需要如此频繁地重新提出，也意味着这个问题本身的分量正在变轻。

模型正在同质化。而在它之上放什么，不会同质化。

作为做工具的人，我们站在那个上层。模型进步得越快，上层需要解决的问题不但不会减少，反而会变得更加清晰。模型越擅长做好一个分镜，用户就越想做出一部完整的作品，而不只是一个分镜。

我们不知道下个季度会出现什么新模型。但当它出现时，让用户在使用它的同时不丢失自己的角色、不丢失自己剧本的脉络——这正是工具应当担起的责任。

这篇文章对你有帮助吗？

你的反馈是我们创作下一篇文章的动力。

有帮助向作者发送反馈