Seedance 1.0 — 视频生成基础模型

Seedance 1.0: 视频生成基础模型

发布日期： 2025-06 (arXiv 2506.09113) 来源： arXiv 2506.09113 工程范式： 扩散模型 + 视频专用 RLHF——多源数据策展、高效架构、视频专用奖励机制。

设计哲学

Seedance 1.0 的核心命题是解决视频生成的三元悖论（Trilemma）：提示遵循、运动合理性和视觉质量三者难以兼得。传统视频生成模型往往在某一维度上显著落后。Seedance 选择通过高效的架构设计 + 视频特化的后训练优化（RLHF） 来同时优化三个维度。

关键架构决策

视频生成三元悖论的解决方案

1. 多源数据策展 + 精确视频描述：增强跨场景的综合学习

   • 数据清洗管线确保视频-文本对齐质量
   • 精确 caption 模型自动生成训练数据的视频描述

2. 高效架构设计 + 训练范式

   • 原生支持多镜头（multi-shot）生成
   • 统一框架同时学习文生视频（T2V）和图生视频（I2V）
   • 双语（中/英文）支持

3. 视频专用后训练优化

   • 细粒度 SFT
   • 多维奖励机制的视频专用 RLHF

4. 推理加速

   • 多阶段蒸馏策略 + 系统级优化
   • ~10 倍推理加速

推理效率

• 生成 1080p 的 5 秒视频仅需 41.4 秒（NVIDIA L20 GPU）
• 高分辨率下的合理推理时间

产品化

• 上线豆包 App 和 Jimeng 平台
• 被 Artificial Analysis 评为 T2V 和 I2V 双榜第一

关键结果

基准测试

• 在内部 SeedVideoBench-1.0 和第三方平台 Artificial Analysis 上表现优异
• T2V 任务：提示遵循、运动质量、美学效果均获高分
• I2V 任务：同样领先
• Artificial Analysis T2V 和 I2V 双榜排名第一

能力展示

• 支持多风格生成（写实、动画、电影、广告）
• 精准的提示遵循（多主体交互、复杂动作序列、丰富镜头语言）
• 多镜头叙事连贯性（主体一致）
• 超大动态范围——从细微表情到大幅度动作均保持稳定
• 多镜头叙事一致性——镜头切换时主体保持一致

范式对比

vs Sora（OpenAI，推测为 diffusion transformer），Seedance 更注重推理效率（10× 加速）和实用部署。vs Kling（快手），Seedance 的双语能力和 RLHF 后训练是差异化优势。vs Veo（Google），Seedance 在推理速度和开源程度上更友好。核心差异：10× 推理加速使 Seedance 在消费级 GPU 上可用。

可复用的工程经验

1. 视频生成的三元悖论需要联合优化——不能只优化一个维度
2. 视频专用的多维奖励 RLHF 比通用 RLHF 更有效
3. 多阶段蒸馏可以将推理成本降低一个数量级
4. 统一 T2V 和 I2V 训练可以互相增强两个任务的表现
5. 精确的视频描述（captioning）是训练数据质量的关键瓶颈