昨天在刷可灵的时候，发现他们悄悄丢了个大招：可灵 O1，全能视频模型。
那种感觉有点像
你原本准备开一堆网页切来切去，结果突然发现，别人把“视频生成＋视频编辑＋风格重绘＋镜头衔接”全塞进同一个引擎里了，而且还真能跑起来。
先从“它到底是个啥”说起。
官方给可灵 O1的定位，是全球首个统一多模态视频模型
重点有两个关键词：统一、多模态。
统一的意思是，以前文生视频一套模型、图生视频一套、视频局部编辑再来一套，现在全部揉成一个底座，参考视频、首尾帧、内容增删、风格重绘、镜头延展，全走同一个管线。
多模态也不再是那种“我能同时收文本和图片哦”的浅层玩法，而是你可以同时塞进一段文字提示、几张参考图、一个小视频片段，模型会把这些统统当成“指令”，综合理解，再吐出一条完整的视频。
我先随便举几个典型场景，你大概就知道这个东西更适合谁了。
比如你只想用一张主视觉海报，拉一条“动态开屏短片”： 以前要么丢给图生视频工具，要么交给剪辑师手搓
现在的路子可以是——给一张图，配一段文案，要求“镜头从左到右环绕角色，3秒内出现品牌Logo”，剩下交给 O1 生成。
又比如你已经有一个品牌视频，但中间几秒钟的产品颜色、衣服风格突然不想要了，以往要么让设计师画遮罩、调跟踪，要么找专门的视频编辑模型；
O1 这次走的是“对话式剪辑”：直接打字“把主角衣服换成黑色”“把白天改成黄昏”，引擎会在像素级别做语义重构，把该改的片段替换完，背景和光影逻辑都尽量保持连贯。
甚至你可以给一小段参考视频，让它按同样的运镜方式，去拍一场完全不同的场景，比如保留那种从地面推到空中的运动轨迹，把内容换成一辆赛博风格的飞车。
但说到“全能”，我还是想拆细一点。
图像/主体参考这块，可灵在底层特意强化了“记住人和物”的能力，支持多视角去定义一个主角或者一个产品，让模型像导演一样“认人”，不管镜头怎么转、景别怎么切，角色特征保持稳定，这点是他们重点宣传的卖点之一。
在视频编辑这块，它把“增加内容、删除内容、切换视角、改主体、改局部、改风格、改颜色、改天气、绿幕抠像”等一大串能力，统统塞进“指令变换”这个篮子里，然后允许你一次性组合使用，例如“在视频里加一只猫，同时把背景改成赛博朋克夜景”，不需要开多个工具链。
还有一个比较有意思的是“首尾帧”能力：你可以只给一个首帧，也可以同时给首尾两帧，再配上一点文字描述，比如“镜头从室内走到海边，角色从背影转正面”，模型会尝试按你设计好的起点和终点，生成中间的故事过渡，长度可控在 3～10 秒之间。
我最关心的，其实还是“它跟别人比强在哪”。
在官方披露的内部评测里，可灵挑了两块自己觉得最有代表性的任务来跟竞品对打：
图片参考，用来对标 Google Veo 3.1 的 Ingredients to Video；
以及指令变换，用来对标 Runway Aleph。
他们自己的统计是，在图片参考任务上，可灵 O1 对 Veo 3.1 的整体偏好胜负比大约是 247%，在指令变换任务上，对 Runway Aleph 的胜负比是 230%，评价维度覆盖角色、物品、风格等不同类型，样本由内部评测集和多名人工评审打分得出。
当然，这属于厂商自测结果，没有完全公开的 benchmark 可以复现，所以只能当“参考情报”，但至少能看出他们的产品野心是瞄准 Veo 和 Runway 这一档，而不是只做一个国内自娱自乐的小玩具。
有意思的是，这次 O1 的技术路线，本身也挺“姿态鲜明”。
一方面，它是围着一个叫 MVL（Multi-modal Visual Language，多模态视觉语言）的概念在转；简单说，就是把文本、图片、视频里的视觉信号，全部映射到同一套“语言”空间里，再用多模态 Transformer 和长上下文机制去做统一理解。
参考图：
另一方面，它并不是只盯生成，而是从架构层面就把“生成＋编辑＋理解”三件事绑在一起，靠一个长时序上下文去处理时间连续性和空间一致性，这样同一条时间线上，角色不仅长得一致，动作也不会突然穿帮太严重。 在推理侧，官方也提到它会结合类似 Chain-of-thought 的技术去处理事件推演和常识逻辑，目的是让视频编辑更“懂场景”，比如你说“把白天改成雨夜”，它要顺带改的不只是亮度和色温，还包括路灯、车灯、倒影这些细节的协调。
输出效果：
说到这里，可能有人会问：这些听起来确实很厉害，但对普通创作者、短视频团队、甚至做广告的甲方来说，意味着什么？
对小团队来说，最大的改变就是“少开几个软件，多开几次对话框”。
以前你可能要先用 A 生成草图，再拿到 B 修风格，再丢给 C 做剪辑，现在至少在可灵这个生态里，可以用 O1 把这些环节尽量压在一次生成或少数几次迭代中，节省来回倒腾的时间成本。
对需要严控品牌形象的团队，主体一致性和多主体融合是关键：O1 支持多个角色、多个道具一起“记住”，让你在复杂的群像场景里，保证每个人物在不同镜头中都长得一样，这点对广告、剧情短片、虚拟人账号来说非常有用。
再往前看一点，如果把 O1 当成基础设施，你可以在外面套上自己的工作流：比如接入脚本系统，根据运营需求自动生成多版本物料，然后用 O1 做图像/主体参考和风格变体，最后再接内测的 Agent 类工具做自动测压和投放试验，这条链路其实已经很接近“半自动创意工厂”的雏形了。
当然，别被“全能”两个字冲昏头脑。
一来，不管是和 Veo 3.1，还是和市面上其他视频模型的对比，都还停留在厂商自建评测集的阶段，严格意义上的公开 benchmark 还没统一，普通用户用到的，只能是“肉眼主观体验＋社区口碑”。
二来，这种高度统一的模型，意味着每次升级、每次 bug 修，都牵一发而动全身，你不可能指望它在所有任务上都拔尖，某些极端长时序、复杂物理场景，目前还是 Sora 一类模型更有话语权。
三来，它再聪明，本质还是视频层面的“创作引擎”，而不是一键帮你想清楚“这支广告到底说什么”“这个 IP 未来三个月怎么讲故事”的那种东西，后者只能靠人，或者靠你自己堆一层更高阶的 Agent 去管规划和拆解。
写到这里，才反应过来，可灵这波“ O1 ”命名，也挺有意思。
一边是在和 OpenAI、字节、谷歌这些家的 “o1 / omni / 统一模型” 对话，说自己在视频维度也有一颗“通才底座”。
另一边，对普通创作者、做生意的人来说，它真正代表的，也许是一个更朴素的问题：当你可以随时把想法变成一条还看得过去的视频，当剪辑、调色、风格迁移都变成一句句自然语言，那你到底还剩下什么工作，是模型替代不了的？
工具会越来越全能且越来越聪明，这点没啥悬念。
但“你到底想拍什么”“你敢不敢拍不一样的东西”，这两句。
暂时还是得我们自己说。
项目直通：https://app.klingai.com/cn/release-notes/vaxrndo66h
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。