今天，人又在腾讯混元发布会的现场。上个月5号，他们宣布开源大语言模型混元Large和3D大模型Hunyuan3D-1.0。仅仅一个月时间，他们又从深圳奔赴北京，邀请了一些老朋友，又开了一次私密的闭门会。
而这一次的项目，就是被N多人期待了很久的，腾讯混元视频生成模型。同样，现场宣布，直接，开源。
腾讯也活成了，马斯克心中，那个OpenAI的模样。聊聊这个腾讯混元的AI视频模型，我已经先行测试了一周，跑了几百个case。先说结论：偏科战神，强的部分强到没边，弱的地方也急需优化，但是瑕不掩瑜，综合来看，闭源模型中排在T1附近，开源AI视频中，无可争议的T0。
开源地址：https://github.com/Tencent/HunyuanVideo
普通用户也可以去腾讯元宝APP，进入AI应用，就能看到这个AI视频了。
可能普通用户需要资格申请，但是以腾讯的速度，应该非常快，看了群友的反馈，有的申请了不到一会就拿到了体验资格。
我先放几个我跑的Case，再来细说。
很有意思，很特别的模型。
如果让我来总结混元的3个特点，那就是：超强的真实质感，很强的语义理解，可以切换镜头。一个一个来说。
一.超强的真实质感
说实话，混元的真实感，是非常惊艳到我的。有点当年Flux出来的时候，那种既视感。
那种光影，那种质感，那种色彩，就是会让你感觉，这是现实场景，就是很真。
而且，几乎没有任何的AI视频中的柳絮抖动的那种质感，稳的一笔。比如：两个女人面对面哭泣。
你就感觉，像在看电视剧。
下属跟老板打架也是。
这光影和稳定性，实在是强到有点飞起了。除了现代的戏，古装也是真实到不可思议。
比如：长焦特写，一位紫衣宫女在月下绣花。银光洒在锦缎上，针线穿梭。后景是雕花窗棂，氛围静谧优雅。
我愿称之为，最具有“电视剧质感”的AI视频大模型。第一次，能看到，做中国古装，服化道和真实质感，好到如此程度的。不只是国人，外国人的真实质感，也极强。
像拍的，不像生成的，实话。但是，但是来了。混元AI视频的写实质感，可以拉满，我可以说，就是现在的No.1。但是，我开头说它个超级偏科战神，就是因为，它如果不做超写实，做一些偏幻想的风格，或者2D、3D之类的，那个审美，真的有点丑= =这就仿佛一个学生跟你说，他语文吊炸天，150分考了149分，然后你问他英语多少，他支支吾吾的跟你说：不告诉你。。。另外有一点，是需要狠狠夸混元的。就是跑过AI视频的人都知道，一旦人物的脸，在画面上占比一小，很多都会糊脸，五官是一坨，看不清。但是我用混元跑的几百个case里，有不少是脸很小的，但是几乎都非常准确，甚至还是动嘴型说话。可以看下面这个例子。
开门的那个女人，脸没糊，那么小的面积，你都能看到她的神情，看到他的嘴形，这个点，太牛逼了。
二.很强的语义理解
混元的语义理解，是我觉得在所有的AI视频大模型里，都能排到前列的。看这个Prompt：
一只银渐层在游乐园里奔跑，跳到一个小女孩的怀里。
看着简单，但是其实蛮多坑。银渐层、游乐园、奔跑、跳、小女孩、怀里。这些个关键词，其实都不好理解，更别提跑着跑着跳到小女孩怀里这种操作了。
首先要准确识别出银渐层这个特定品种的猫，还得理解它在游乐园这个复杂场景中的运动轨迹。更难的是，模型需要精准捕捉从奔跑到跳跃的动作转换，还要准确把握跳入怀中这个互动场景的空间关系。这个能完美还原，就挺牛逼的。
还有这个case：
45度俯拍，一位紫衣女修在竹林中抚琴，琴音化作七彩音符在空中飘荡。翠竹摇曳，月光如水。
虽然这个七彩音符加的吧，总会让我想起一些非常古早的渐变PPT，但是咱们忽略审美的事，你会发现，混元都给你还原出来了，45度俯拍、紫衣、抚琴。还有那句最重要的：琴音化作七彩音符在空中飘荡。你如果用其他AI视频都把这个Prompt跑一遍，你就知道，能精准的出现七彩音符这事，有多难了。还有一个我超级喜欢的case：
星系边缘，宇宙战舰引爆反物质引擎。能量涟漪以光速扩散，撕裂周围星体。
这个镜头，是我幻想过，在科幻片里看到的一幕。
而现在，是由AI，给我精准的还原出来了。就是我心中的，奇点爆炸。当然，在我测的几百个case中，并不是说，什么语义他都能理解。
翻车的也有很多，但是整体成功率，还是相比于其他我用过的，高出不少。但是带来的负面也很明显，有的视频，那个审美真的挺差。语义理解和审美之间，其实一直需要找一个平衡点，语义理解强，就代表着可控性很强，也代表着用户对AI的干涉非常强，一旦用户自己随心所欲的去创作，也可能会让出来的美感，没有保障。典型的就是Midjourney，它的语义理解，我觉得到现在为止，都可以说是一坨屎，包括可控性也是一坨，ControlNet说了一年了，到现在也没加。而他们给出的理由，就是如果让用户对AI的生成干涉过多，就会影响审美，让出来的东西变丑，作为一家有审美洁癖的公司，这个是他们不可接受的。所以就一直拖一直拖。混元的AI视频，走到了Midjourney的反面，给用户的自由度很高，但是这时候就又吃用户自己对于画面的理解了，换句话说，就是：
上限很高，下限同样，也极低。
三.可以切换镜头
混元这个，跟PixelDance是目前全世界唯二，可以自主控制切镜头的。比如：广角镜头，破碎的镜子碎片漂浮在空中，每片镜子里都映照着不同的时空画面。画面中央是一位银发时空术士，他穿着暗纹长袍，双手编织时空之线。
我其实没有写类似于镜头切换的关键词。但是混元在理解完我的Prompt后，给我切镜了。而切镜完的效果，确实张力好一些。最重要的是，人物、场景几乎完全一致。这点，就很酷。
还有士兵看信这个case。
战场废墟中，一位士兵跪地，颤抖着手打开战友留下的信。然后镜头切换到信件的特写。远处炮火映红天际，烟尘在空中飘散。战争片风格。
这次我是主动说了“镜头切换”这个词，混元理解的非常好，场景、人物一致性也堪称完美。
这一点，我非常喜欢。
写在最后
AI视频这个行业，我一直觉得对于创业者或者小公司来说，不是特别友好。
不友好的点在于，获取高质量数据的难度，相比于文本、图像啥的，太高了。大厂啊，护城河还是太高、太深了。
最关键的是，腾讯用这个自己深厚的家底，先把这个模型的v1版本做完了，然后，直接开源，免费送。这尼玛，谁顶得住。
目前混元AI视频模型，只支持文生视频，不过他们说图生视频也很快就会上线了，马上就做完了。文本大模型、AI绘图大模型、3D生成大模型，再加上这次的AI视频大模型。如果再来一个AI声音模型，腾讯就是，真正的全系开源了。只能说，腾讯对于自己的市场定位和核心竞争优势，也有着极度明确的认知。
腾讯的城堡，还在向天空挺进。
