苹果发布 STARFlow-V：颠覆常规的视频生成新模型

苹果近日发布了旗下全新的视频生成模型 STARFlow-V。与市面上的 Sora、Veo 和 Runway 等产品相比，它在技术路线上的差异十分明显。STARFlow-V 的设计重心是提升长视频片段的稳定性，采用的是“归一化流”技术，而非当下主流的扩散模型。

苹果表示，STARFlow-V 是首个在画面质量与生成速度上可与扩散模型相抗衡的方案，尽管当前输出分辨率为640×480像素，生成速度为每秒16帧。不同于扩散模型需要多次迭代逐步去噪，STARFlow-V 学习随机噪声与复杂视频之间的直接数学映射，在单步生成中完成视频合成，显著提升训练效率，并减少分步生成容易出现的误差。

系统可灵活胜任多种任务，包括文本转视频、图像转视频（将输入图像作为起始帧）以及视频编辑。面对超过训练长度的视频，STARFlow-V 采用滑动窗口方案：生成一段后保留最后几帧的上下文，再继续生成。不过，演示片段的时间变化丰富度仍然有限。

在生成长序列时，逐帧生成往往会带来误差累积。为解决这一点，STARFlow-V 使用双重架构：一支负责跨帧的时间序列建模，另一支专注单帧细节优化。为稳定优化过程，训练时会注入一定噪声，虽然可能让画面略显颗粒，但并行的“因果去噪网络”会在保证运动一致性的同时清理残余噪声。

训练方面，苹果使用了7000万对文本 – 视频数据，并结合400万对文本 – 图像数据，借助语言模型把视频描述扩展为九种不同变体。经过几周训练，模型参数规模从30亿提升到70亿，分辨率与视频时长也同步提高。

尽管 STARFlow-V 在 VBench 基准测试中的得分为79.7，略低于部分领先的扩散模型，但在自回归模型中仍表现抢眼，在空间关系与人物表现上具有明显优势。接下来，苹果将继续提升计算速度、优化模型，并强调物理准确性更高的训练数据。

划重点:

🌟 STARFlow-V 采用归一化流技术，强化长视频片段生成的稳定性与效率。  

⚙️ 模型覆盖文本/图像转视频与编辑等多种任务，灵活性强。  

🚀 苹果将持续优化计算速度与物理准确性，推动视频生成技术发展。