2025年4月，字节跳动发布的Seaweed-7B视频生成模型在AI领域引发震动。这款仅70亿参数的模型以低成本、高效率实现了音视频同步生成、多镜头叙事等高阶功能，其核心架构采用变分自编码器（VAE）与扩散变换器（DiT）的混合设计：VAE将像素压缩到潜在空间，提升计算效率；DiT通过对抗后训练优化生成质量，单次推理即可生成2秒的720p视频，速度比同类模型快62倍。其突破性在于多模态生成能力——用户输入文本或图片后，模型不仅能生成动态视频，还能同步合成与画面匹配的音频，例如虚拟主播的唇部动作与语音节奏高度一致，甚至能根据背景音乐生成舞蹈动作。技术团队通过合成CGI视频的后训练强化了物理一致性，使得复杂动作（如人物转身、物体碰撞）更自然，同时采用分块打包（Patch n’ Pack）技术支持不同宽高比的视频联合训练，确保多镜头切换时角色、场景风格连贯。在应用层面，Seaweed-7B已通过即梦AI平台开放试用，电商品牌可快速生成产品演示视频，教育机构能制作沉浸式动画课程，而影视团队则利用其多镜头叙事功能构建短剧分镜脚本。与OpenAI的Sora相比，Seaweed-7B仅消耗66.5万H100 GPU小时（约为Meta同类模型资源的1/3），却在人类评估中胜率达58%，超越HunyuanVideo（43%）和Sora（36%）。这一技术突破不仅降低了视频创作门槛，更通过开源潜力激发全球开发者的创新热潮，标志着AI视频生成从“单一模态”向“全感官交互”的跃迁。