Vidu 1.5的推出，揭示了一个重要现象：视觉模型与语言模型一样，经过充分的训练，模型能够展现出对上下文的深刻理解、记忆等能力，这是视觉模型智能涌现的显著特征，这也标志着视觉模型进入全新的“上下文”时代，加速AGI的到来。
持续引领“一致性”突破
率先攻克“多主体一致性”难题
复杂主体的精准控制：无论是细节丰富的角色，还是复杂的物体，Vidu都能保证其在多个不同视角下的一致性。举个例子，造型复杂的3D动画风格角色，无论视角如何变化，Vidu始终确保头型、服饰的全角度细节一致，避免了传统视频模型在复杂视角切换时产生的瑕疵。 人物面部特征和动态表情的自然一致：在人物特写镜头中，Vidu能够自然且流畅地保持人物面部特征和表情的连贯性，避免了面部僵硬或失真的现象。精细的面部控制使Vidu在创作细腻、真实角色时具有显著的优势。 多主体一致性：Vidu允许用户上传多个主体图像，包括人物角色、道具物体、环境背景等，并在视频生成中实现这些元素的交互。例如，用户可以上传主体、客体和环境的图片，创建定制角色身穿特定服装、在定制空间内自由动作的场景。Vidu还支持多个主体之间的互动，用户可以上传多个自定义角色，让它们在指定空间内进行交互。此外，Vidu还支持融合不同主体特征，例如将角色A的正面与角色B的反面无缝融合，创造出全新的角色或物体。
视觉模型进入“上下文时代”
通过不断扩展上下文长度，Vidu从1.0迭代到1.5后，出现了明显的智能涌现效应，模型能够通过视觉上下文完成大量新任务的直接生成。从单输入主体的文/图生视频，到多输入参考信息，未来还将以更长、更丰富的上下文作为输入，进一步提升模型的能力表现。
在拥有处理更复杂任务能力的同时，Vidu1.5延续了其业界领先的生成效率，不到30s即可生成一段视频。
无微调、大统一架构方案
秉承通用性的理念，Vidu有和LLM一致的设计哲学：
统一问题形式：LLM 将所有问题统一为（文本输入，文本输出），Vidu 则将所有问题统一为（视觉输入，视觉输出）；
统一架构：LLM 和 Vidu 均用单个 Transformer 统一建模变长的输入和输出；
压缩即智能：LLM 从文本数据的压缩中获取智能，Vidu 从视频数据的压缩中获取智能。
图：技术架构方案
过往的视频模型如果想实现诸如一致性生成的能力，均需要针对每一个场景设计相应的模型进行微调，而无法像语言模型一样，通过上下文学习（In-Context Learning）基于少量的示例或提示快速适应新任务。
视觉智能的涌现加速AGI的到来