今天，我再次置身于腾讯混元发布会现场。说起来，上个月5日他们刚宣布开源大语言模型混元Large与3D模型Hunyuan3D-1.0，仅仅一个月后，团队就从深圳转战北京，邀请众多老朋友，召开了这场私密闭门会议。而此次的主角——被无数用户翘首以盼的腾讯混元视频生成模型，也在现场直接宣布开源。
腾讯，终于活成了马斯克心中那个OpenAI本该有的样子。
正好，我已经抢先体验了一周，测试了数百个案例。先给出结论：偏科战神。强的地方强到极致，弱的地方也确实需要补强。但瑕不掩瑜，综合来看，在闭源阵营中它可以排到T1梯队，而在开源AI视频领域，它就是无可争议的T0。
开源地址在这里：https://github.com/Tencent/HunyuanVideo
普通用户也可以前往腾讯元宝APP，在AI应用中找到这个视频模型。目前可能仍需申请体验资格，不过从群友反馈来看，腾讯的审核速度相当快，有的人刚提交申请，没多久就收到了通过通知。
先放几个我生成的案例，再展开细聊。
这是一个很有意思且非常特别的模型。
如果让我总结混元视频模型的三大核心特点，那就是：超强的真实质感、极强的语义理解、以及自带的镜头切换能力。一个一个来说。
一、超强的真实质感
不得不说，混元在真实感上带来的冲击，有点像当年Flux面世时的惊艳——光影、质感、色彩，都让你感觉这根本不是AI生成的，而是实拍的现实画面。更难得的是，它几乎完全没有AI视频常见的“柳絮抖动”问题，画面稳得离谱。
举个例子：两个女人面对面哭泣。你看着画面，就像在观看电视剧。下属与老板争吵的场景同样如此，光影和稳定性强到有些惊人。
除了现代题材，古装场景更是真实到难以置信。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。说实话，我愿称之为最具“电视剧质感”的AI视频大模型——这是第一次，看到中国古装、服化道与真实质感能结合到如此程度的作品。不只是国内场景，外国人的真实质感也极强，就像拍摄的，而非生成的。
但是——但是来了。混元的写实质感可以拉满，说它是目前的No.1也不为过。但它偏偏是个“偏科战神”：一旦脱离超写实去做奇幻风格或2D、3D方向，那个审美……有些一言难尽。就像一个学生向你炫耀语文考了149分，你问他英语多少分，他支支吾吾半天不肯说。
另外还有一点必须单独夸奖：跑过AI视频的人都知道，画面中人物脸部占比较小时，很多模型都会糊脸，五官全混成一团。但在混元生成的数百个案例里，我见过很多脸部占比极小的场景，几乎都保持得相当准确，甚至能清晰看到嘴形在动。比如下面这个案例：开门的那个女人，脸部没糊，那么小的面积你都能看到她的神情和嘴形——这一点，真的太牛了。
二、很强的语义理解
混元的语义理解，在我测试过的所有AI视频大模型里，都能排到前列。
看这个提示词：一只银渐层在游乐园里奔跑，跳到一个小女孩的怀里。
看似简单，但坑很多。“银渐层”“游乐园”“奔跑”“跳”“小女孩”“怀里”——每个关键词都不好理解，更别说“跑着跑着跳到怀里”这种连贯动作了。模型需要精准识别银渐层这个特定品种的猫，理解它在游乐园复杂场景中的运动轨迹，还要精准捕捉从奔跑到跳跃的动作转换，以及跳入怀中的空间关系。这个案例能完美还原，真的很强悍。
再看这个：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。
虽然那个七彩音符的设计让我想起某些古早渐变PPT，但抛开审美不谈——混元确实把“45度俯拍”“紫衣”“抚琴”以及“琴音化作七彩音符”全都还原出来了。你拿其他AI视频模型跑一遍同样的提示词，就知道精准出现七彩音符这件事有多难。
还有一个我特别喜欢的案例：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，就是我幻想中科幻片该有的样子。而现在，AI精准地将它还原出来了——就是我心中的奇点爆炸。
当然，跑了数百个案例，翻车的情况也不少见。但整体成功率，相比我用过的其他模型，确实高出不少。不过这也带来一个副作用：有的视频，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。语义理解强代表可控性强，用户对AI的干涉力度大；但一旦用户随心所欲去创作，美感就可能失去保障。典型反面案例是Midjourney——它的语义理解至今可以说是一塌糊涂，可控性也差，ControlNet说了一年也没加上。他们的理由是：如果让用户对AI的生成干涉过多，会影响审美，让东西变丑。作为一家有审美洁癖的公司，这个底线他们不愿妥协。而混元的AI视频，走到了Midjourney的反面：给用户的自由度很高，但这时候就很吃用户自己对画面的理解了。换句话说：上限很高，下限也极低。
三、可以切换镜头
混元和PixelDance是目前全世界唯二可以自主控制镜头切换的模型。
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。我其实没写镜头切换的关键词，但混元在理解提示词后自己切了镜。切换后的效果张力更强，而且人物、场景几乎完全一致。这个能力，很酷。
另一个案例：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。这次我主动写了“镜头切换”，混元理解得也很好，场景和人物的一致性堪称完美。这一点，我非常喜欢。
写在最后
AI视频这个赛道，对创业者和小公司来说一直不太友好。不友好的点在于：获取高质量数据的难度，相较文本和图像生成，高太多了。大厂的护城河，又高又深。
最关键的是，腾讯拿出自己的深厚家底，先把混元视频模型的V1版本做完了，然后——直接开源，免费赠送。这谁顶得住？
目前混元视频模型只支持文生视频，不过他们说图生视频也很快会上线，基本做完了。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，腾讯就把全系都开源了。只能说，腾讯对自己在市场中的定位和核心竞争优势，有着极度明确的认知。
这座城堡，还在向天空挺进。