可灵大模型 1.0

是什么

可灵大模型 1.0（Kling 1.0）是快手科技（Kuaishou Technology）的视频生成模型的第一个版本。它能把文字描述生成为视频，后续版本又增加了图生视频和视频延长功能。^[1][2]

由来

快手于 2024 年 6 月 6 日推出可灵的文生视频功能，并在同一天开放测试申请。^[1][2] 最初的测试放在快影（KuaiYing）内进行。快影是快手运营的一款视频剪辑应用，测试对中国大陆的用户开放。^[3][4] 推出后一个月内，超过 50 万用户申请了测试，生成的视频约 700 万个。^[1]

技术架构

可灵采用扩散 Transformer（diffusion transformer，DiT）架构。扩散模型的做法是从随机噪声出发，一步步去除噪声，直至得到目标数据。Transformer 是一种能够建模长序列中各个部分之间关系的神经网络结构。快手将两者结合，形成了扩散 Transformer。^[3]

快手还自主研发了三维变分自编码器（3D VAE）。变分自编码器的作用是把数据压缩成较小的表示，再从中还原。可灵的三维 VAE 同时压缩空间与时间维度，因此视频被当作一组连续的帧来处理，而不是一张张孤立的图像。模型中还有一个全注意力的时空建模模块，使模型能够同时在空间和时间上考虑视频的各个部分。^[3]

主要特点

快手表示，可灵可以生成最长两分钟、帧率为 30fps、最高 1080p 分辨率的视频，并支持多种画面宽高比。^[3] 公司希望模型能够模拟现实世界的运动行为，包括快速移动的物体、剧烈的场景变化以及复杂的人体动作。^[3]

首个版本推出之后，功能不断增加。图生视频和视频延长随后推出。2024 年 7 月 6 日，在世界人工智能大会（WAIC）上，可灵的第三次升级增加了网页版、高清输出、首尾帧控制、运镜控制，以及 10 秒的文生视频。^[1]

争议与观察

2024 年 7 月，TechCrunch 报道称，可灵似乎会对政治敏感话题进行审查。^[5] 这是较早的一批公开观察之一，关注的是一款中国视频生成模型如何处理敏感内容。

后续版本

可灵 1.0 于 2024 年 9 月由可灵 1.5 取代。^[6]

在发展中的位置

可灵 1.0 是可灵产品线的起点。它的推出先是中国大陆内的测试，随后扩展到全球测试。全球测试于 2024 年 7 月 25 日在 klingai.com 开放，此前的申请人数已超过 100 万。^[2]

对于学习 AI 的读者来说，可灵是一个分阶段推出视频生成模型的典型例子：先是有限的内测，然后增加新功能，最后面向全球开放，每一步都在扩大能力和用户范围。^[1][2]