作者丨Rhea 编纂丨马晓宁 李娜 7月18日，于2026世界人工智能年夜会（WAIC）现场，智象将来正式发布全世界首个无穷时长内容创作多模态智能体vivago R1，随后，智象官宣已经经完成为了 C 轮融资，于近三个月完成超 20 亿元人平易近币的融资。 01 2026 年 6 月 23 日，伯克利哈斯商学院官网发过一篇专栏评论 Insight 文章，作者 Akash Rathi 是google Pixel 的产物司理，内里提到一个要害的判定及论点（作者暗示仅代表小我私家不代表google）： 模子及编排框架都于商品化； 纯软件的 Agent，包括编排层偏偏是护城河最弱的，近似 几周就能被克隆 一键导入就能搬走 的质疑一直存于 以是护城河从年夜脑（模子）迁徙到 Physical Experience（物理体验） 图注：《The AI Moat Is Migrating – And Most Leaders Are Looking in the Wrong Place》 另外一边于本钱市场上，Cursor 于 2026-06 被 SpaceX 以 600 亿美元收购，以前 Manus 差点以 20 亿$收购，近来 OpenRouter 也于及多家科技巨头谈收购时机。而就于几天前，智象将来刚公布完成 15 亿元 C 轮融资，近三个月累计融资超 21 亿元，正式跻身独角兽行列。 Manus 已经经证明了聚合是手腕，编排出来的体验才是人们真正需要的产物。此刻面临这年夜把的开源模子，谁都能做微调，可是看着用户需求于本身的沙箱里一步步完成的成绩感才是产物人最 aha 的时刻。以是于面临平台型的 AI 产物时，咱们更应该存眷的是于人人都能聚合的条件下，它于上面多做的那层Agent编排，有无做出他人做不出的、能验证的工具。 这个问题的区分就是咱们做这个测评的焦点。想清晰了就知道 vivago R1 这种产物该怎么看；想不清晰，就会永远卡于又一个套壳的前提反射里，既高估了它也低估了它。vivago R1 只是这个更年夜问题的一个切片。这款产物在 2026 年 WAIC 年夜会时期方才发布，号称全世界首个具有无穷时长视频天生与编纂能力的多模态创作智能体，焦点卖点是“长、长、稳”——无穷时长、长使命思索、高不变天生，也恰是此次实测要验证的工具。 vivago.ai 官网 02 vivago的母公司是智象将来（HiDream.ai），2023 年 3 月建立于北京，开创人兼 CEO 是梅涛。这个名字于计较机视觉圈不算生疏，他以前是微软亚洲研究院的高级研究员，厥后是京东的高级副总裁，2025 年被选 ACM Fellow。 智象将来的定位是「全世界独一同时撑持文本、图象、视频、3D 四个模态的基础模子厂商」，此前开源过文生图模子 HiDream-I1。vivago 是智象面向专业创作者的阿谁智能体平台。 vivago R1 是今朝最新的模子 但要理解vivago R1到底新于哪，或许患上看看它的前身——就于两个月前，2026 年 5 月，智象于 Product Hunt 上发过一个叫 Vivago Video Agent 的产物，靠一群 AI 导演帮你编脚色、写叙事、做故事板，还有能于衬着前先看要害帧。其时它拿了当日产物榜第一。但阿谁版本的输出时长封顶就是3分钟，没法再长了。 Vivago Video Agent 评测：R1 的前身五个月前登上 Product Hunt 当日第一，其时单条视频还有封顶于 3分钟 两个月后，vivago R1的方针是做到无穷时长视频创作。 这是全世界首个具有无穷时长视频天生与编纂能力的多模态创作智能体，标记着AI于创意出产范畴的一次范式转移：从辅助天生单点素材，进化为可以或许自立计划、调理并完发展链路创作使命的“智能搭子”。vivago R1的焦点上风可以归纳综合为“长、长、稳”三年夜特质，精准回应了行业持久存于的时长受限、逻辑杂乱、效果不稳三年夜痛点： ▎一是无穷时长，全场景无穷制适配。 当前行业主流AI视频产物仅撑持15-30秒短镜头天生，vivago R1完全打破行业时长壁垒，撑持永劫长视频持续、联贯天生，周全适配短剧、专题片、品牌宣传片、影视成片等差别品类长周期创作场景，弥补了行业长视频创作的市场空缺。 ▎二是长使命思索，保障创作逻辑联贯同一。 vivago R1 具有长使命推理能力，可自立完成邃密化逻辑构想、镜头排布与气势派头校准等，有用解决AI天生视频的画面跳变、人设崩塌、叙事断层、气势派头割裂的行业难题，保障全片创作的完备性与专业性。 ▎三是高不变天生，赋能贸易范围化交付。 依托 AgentOS 全流程调理与管理能力，vivago R1 实现创作全链路可控可校准，将内容有用可用乐成率晋升至85% 摆布，远高在行业平均程度，极年夜降低重复修改调试的时间与人力成本，天生内容可直策应用在贸易建造、品牌流传与市场化交付。 03 ▎第一，编排是这条赛道的正途，不是偷懒。 许多人一听 它本身编排他人的模子 ，就感觉没技能含量。但这偏偏是长视频天生范畴此刻的主流解法。2026 年有一批做长片天生的论文，好比那套 ScripterAgent 写剧本、DirectorAgent 去编排多个 SOTA 视频模子、再用 CriticAgent 校验的框架，走的都是编排现有模子 + 保长程一致这条路，而不是从零训一个能一口吻天生十分钟的巨型模子。 腾讯团队的长视频 Agent 研究显示，主流做法都是 编排现有 SOTA 模子 + 跨镜头缝合 ，由于单段模子一次只能天生约 8–12 秒 由于单个视频模子受物理限定，一次能不变天生的时长就是有限的；要出长片，编排险些是独一实际的路。以是 vivago R1 选择做编排层原来于标的目的上就是被行业已经经证明的。 ▎第二，长片天生确凿是苦全国久矣。 今上帝流的 AI 视频，绝年夜大都还有卡于秒级到两分钟：google Veo 3.1 单段约莫 8 秒、多镜头拼到一两分钟，OpenAI Sora 2 约莫 60 秒（并且消费端于 2026 年 4 月已经经关停了），快手可灵 3.0 号称 导演级 、能到两分钟。换句话说，假如 vivago R1 真能不变产出五分钟以上、还有联贯不崩的成片，那它踩中的绝对于是一块真正的市场空缺及需求 ▎第三，野心的标的目的是对于的。 Sora 2 很早都到 60 秒了，它及 vivago R1 都想解决的问题是短镜头再都雅，也拼不出一部能叙事、有人物、气势派头同一的片子。长视频不是短视频的简朴拼接——这句官方本身都认可的话，偏偏是这件事最难之处。以是从以上调研的环境来看，R1 的产物决议计划是想清晰过的，不是蹭热门。但 决议计划对于 不等在 做患上好 。标的目的选对于了，能不克不及于一条五分钟的片子里真把活干成是另外一回事——接下来咱们就经由过程实测看看真实体现 04 此刻声称自研的团队太多了，或许许多人一样也好奇 vivago 毕竟有哪些立异及自研？ 1.底层阿谁真正天生画面的视频模子，是自研的吗？ 2.还有是说上面那层做计划、编排、保一致性的Agent是自研的？ 这两件事的含金量彻底差别，也对于应彻底差别的故事。现有的公然证据指向一个比 纯自研 或者 纯套壳 都更微妙的谜底： 聚合侧：上文有提到 vivago 本身的 llms.txt 列了 Sora 2 / 可灵 v2.6 Pro / Veo 3 / Veo 3.1 + 自研 Vivago 2.0，并自称 多模子平台而非单一模子东西 。 vivago llms.txt：vivago 官网给 AI 看的申明文件里描写了本身是聚合 Sora 二、可灵、Veo 加自研 Vivago 2.0 的多模子平台。 自研侧：智象确凿有本身的HiDream-O1-image 系列以和 video系列的自研模子——Vivago 2.0/2.1（图象+视频）于第三方评测站被自力测过（该视频模子此刻已经经更名叫 HiDream 2.0）；公司也确有多模态自研底座的堆集。 第三方模子库把Vivago 2.1 列为智象自研的图象天生模子 也就是说vivago 是一个 自研模子+ 聚合第三方视频模子 + 上层Agent编排 的混淆体。 R1 的独家价值，年夜几率不于 底层画面全是自研模子画的 ，而于编排 + 长程一致性 + 长片能力这个范畴。 厥后天生视频的历程我经由过程逆向发明了一些成心思的信息： 起首哀求的域名都于 vivago 本身家，没有任何第三方模子域名，申明模子挪用全于办事端完成，前端只跟 vivago 网关对于话。这是编排型平台的典型架构，也象征着底层调谁没法从域名层看出来。 vivago R1 是一个技术驱动的编排Agent（同 Kimi Work / Anthropic Skills 谱系），17 个功效技术，笼罩视频/图象/电商/社媒等垂类。此中 cinematic-story-director 是最成熟的旗舰，后面实测我也发明效果最佳的就是这个skill 模子被功效及技术抽象了，前端全程看不到模子名。好比用户看到的是 text-to-video、reference-to-video、cinematic-story-director，没有一个按模子定名。也就是说模子路由彻底于办事端、被技术层封装。用户（以致客户端层面的技能不雅察者）选的是 能力 （拍个影戏故事/参考图生视频），而不是某个模子 技术参数里duration列举 =4,5,…,15 秒（默许 5）。→ 把以前 10s 封顶 细化为单段 ≤15秒；后面测试发明每一段用了 10s。长视频繁是多段拼接。别的generate_audio默许 true（会配音频）。 这些阐发证实 vivago 的产物界说很是清楚，用户不需要去选择模子供给商，就像咱们不会问水电来历在哪家公司，面包里的面粉来历在阿谁牧场。年夜部门用户需要的永远是某个能力，而不是模子自己。说真话这让视频天生变的很是简朴及纯粹，用户只需要体贴我到底想要甚么样的视频，而不需要再去纠结哪一个模子甚么更好，哪一个更经济实惠，这些都由 vivago 的路由做了。 05 及自研同样， 无穷这个词也患上拆解开看。时长可以无穷及一致性可以维持的有用时长是两件彻底差别的事。 一个视频能不克不及一直天生下去（时长无穷），这于工程上不难，分段天生、首尾相接就行。 天生出来的工具能不克不及一直联贯、人不崩脸、气势派头不跳、故事不停——这才是真正难之处，也是官方点名要解决的四个问题：画面跳变、人设崩塌、叙事断层、气势派头割裂。 ▎案例一 叶什尔查姆气势派头的怪诞科幻烂片 是以我没有效天生一条美食 vlog 这类谁城市测的题。而是设计了一个既成心思，又能能切合vivago 焦点卖点的测试题：一部叶什尔查姆气势派头的怪诞科幻烂片。 叶什尔查姆是土耳其上世纪六到八十年月那批超低成本邪典片，最出名的就是 土耳其星战 那种——真人套着硬纸板喷银漆的怪兽服、泡沫塑料石头、手绘的外星球配景、演员绑着石头于蹦床上 飞 、把真实爆炸镜头直接剪进去。它的精髓是廉价，假患上可笑。 这道测试题有几个特色： 1.够怪诞、够可笑，自然是文章及视频的流传爆点； 2.多镜头、多机位、猛烈动作，把人设、道具、气势派头、叙事的一致性全压上； 3.跨场景的长叙事，正好测无穷时长 ； 4.还有有最成心思的一点：AI 的美化本能 与决心的廉价之间会有博弈。AI 的默许偏向是把画面往精美、真实里衬着，以是咱们常常看到许多审美坍缩的 AI脸。而这部片子要求它维持廉价感的美学。好比对于在阿谁硬纸板怪兽 R1 会不会不由得把它偷偷衬着成一个平滑精美的 CGI 呆板人？假如会，那就是底层年夜模子的审美预设压过了 Agent 的指令，也就是常见的编排掉控、气势派头漂移等问题。 从结论上来当作片可以说很是冷艳。 一分十一秒的成片，叙事、镜头、切换都很顺，场景、人物、道具重新到尾险些不崩——阿谁八字胡红紧身衣的阿里队长、阿谁漏勺当头盔的纸板怪兽，重新到尾都是一个形象。廉价美学也守住了，没被偷偷衬着成精美 CGI。 假如非要挑弊端的话，41 秒摆布有三四秒画面忽然发黏、细节垮失，气势派头及先后对于不上，略微有点出戏；还有有一分钟处配景从露台暗暗漂到了影棚，不外第一遍险些看不出来，我回放了三四次才发明。这质量放于今天的 AI 视频里完成度打 95 分都不外分。 从 Agent 的历程日记来看，它跑的是一个叫 cinematic-story-director 的 skill，是一条 Node0→Node9 的流水线： 也就是说它先把我的构想写成故事、改为脚本、拆成一个个场景、定好同一的美术气势派头，然后零丁天生 阿里队长 外星后院 呆板暴君 这三张锁定的参考图，再让每个镜头都对于着这统一套参考图去天生，末了缝合成整片。从日记上来看短片 41 秒处忽然发粘的画面应该就是某一段模子输出质量有偏移致使的。 从这个案例来看，几个问题都有了谜底： 1.无穷时长还有是无穷拼接—— 工程上是拼接，体验上是时长，画面之间的转换缝的尤其好。日记能看出它把片子拆成 7 个场景、各自自力天生、末了 Node9 采纳拼接。 末了一步，7 段分镜被严丝合缝地拼成一部完备短片 2.冷艳的一致性靠的是工程编排。这个机制于 Node5 呈现，它先零丁天生了 A01 阿里队长、A02 外星后院、A03 呆板暴君的锁定参考图，然后 Node8 给每个分镜都用统一套参考图做 参考图生视频 。一致性来自 锁参考图 + 逐段参考图生视频 ，而不是来自某个模子的长程影象。 开拍前，R1 先给主角出了一张三视图定妆照，以后每一个镜头都照着它天生，这就是全片人物重新到尾不崩的奥秘。 3.长使命思索是真的计划。它不是调个 API 直接出片，而是走了 故事→脚本→拆场景→美术→参考图→分镜→提醒词 这么一整套布局化计划。这是真实的长使命思索，其实不是用固定模板填空。并且它是 skill 驱动的（及 Kimi Work 的 SKILL.md、Anthropic Agent Skills 同源）。 没急着出片，先写好一集完备脚本、锁定脚色/场景/道具清单 最最成心思的是，官方所说的无穷时长必定不克不及简朴的理解为一次能天生一部两小时的影戏，这不科学也不切合第一性道理。我理解这应该是指于永劫间的建造中，详细的形象、道具、场景都能被固化为资产可复用，是以就能一直接着天生，每一次都能顺着故事讲下去。我试着把土耳其队长的故事继承往下写了一个，没想到的是一致性真的很是好，人物、呆板人形象高度同一，该换的换了，不应换的没换。 接下来请赏识土耳其队长第二集： 06 上面这一个案例讲透，应该充足让各人熟悉 vivago 了。不外一部怪诞短片，重要测的是它「长片一致性 + 编排」这一壁；而创作者于真实事情里会撞上的坑，远不止这一个。 以是后面这几条，我没挑它最擅长的去秀肌肉，而是每一一条都瞄准一个「创作者每天会碰到、又恰好能验证某项详细能力」的场景，来把对于它的熟悉补全——一条打形象可控（我要的是我本身的阿谁形象，不是 AI 瞎编的类似版），一条打理解力（给它一个实际里底子不存于的产物，看它是否是真能看懂），一条打批量出产（能不克不及一口吻把一整个系列出完，而不消我一条条手动拼）。三个标的目的，正好是长片以外，创作者最轻易翻车、也最想让 AI 替本身扛下来的三件事。 ▎案例二《狗狗奸细队》 这是一个无厘头默剧短片，重要想验证一下于繁杂的人类动作上，是否能包管狗狗的身上不会长出人手人脚，而且于跨时间的视频天生中可否包管宠物形象的一致性。从天生成果上来看狗狗的肢体没呈现任何漂移，哈士奇段落轻微有些假，而且车箱烟花及整个片子的气势派头不太像，多是由于办事端切换模子有漂移。但白璧微瑕，整体质量很高，并且依旧是严酷根据提醒词来走的。 ▎案例三 一个不存于的产物宣传片 官方一直说它 能理解使命 。那就给它一个实际里底子不存于的产物。我编了一个脑洞智能硬件： 装于厨房吊柜下、把菜谱步调直接投到摒挡台上、说一声下一步就翻页、全程不消手碰 的投影模块，让它做一条发小红书的竖版宣传片。用不存于的产物，就是由于它没有现成素材可抄，必需真 看懂 这个工具是甚么、怎么用，才拍患上对于。 整体来看于产物演示这类很繁杂的场景内里，vivago 的体现就相对于其他案例稍逊一筹，由于不论是模子还有是编排都很难去理解这个不存于的产物是怎么用的，这触及到世界模子的领域了，用年夜语言/多模态模子来做确凿有点难，是以视频中呈现几个空间位置不切合产物逻辑的也能理解。整体完成度还有是很高，这是毋容置疑的。 ▎案例四 十二星座安全屋及疆场邪术果实 不知道各人有没于社交媒体刷过这类视频，创作者的痛点是假如我要做十二星座，我必需天生十二个视频剪辑起来，不雅众的痛点是你标题写着十二星座，现实上我进去只能看三分之一，底子就没后续。这都是由于创作者利用多个短视频手动搓成一个长视频的。以是我想不如尝尝 vivago 可否一口吻把制品都出了。 成果真的很是欣喜，我于提醒词内里实在没把十二星座列举出来，说真话跑以前还有是挺担忧制品出问题，但我没想到的是于计划阶段 vivago 真的把十二星座全数天生图片并进流程了（甚至还有多了一个，不知道是甚么隐蔽星座），这真的让我年夜松一口吻，我原本已经经预备从头跑了（重要是破费时间及积分成本）。 从天生成果来看确凿能把许多个场景串起来，不需要用户手动拼接，这真的太棒了。至在视频内容内里的穿帮、细节、运镜，是及提醒词相干的，假如颠末优良的提醒词打磨肯定能天生质量很是不错的内容。 疆场邪术果实的成片也很是欣喜，场景、音效都很棒，要知道这只是简朴几句提醒词出来的效果，假如提醒词上下点功夫去好好界说需求，彻底可以用到出产级另外场景中。 07 把镜头从 vivago R1 这一个产物拉回整个行业会看到个愈来愈确定的趋向。 视频天生的模子能力正于酿成水电同样的基础举措措施。 两年前谁的模子画患上更清楚、更联贯就是绝对于的胜败手。但到了 2026 年，Sora、可灵、Veo、海螺、即梦……第一梯队的画质差距于收窄，并且年夜多开放了 API——任何一个平台，都能把这些最强的模子接进来。模子自己愈来愈像一种随时能采购的原质料。 当原质料酿成尺度供给商品的时辰，稀缺性就会发生转移：从谁的模子更强，转移到谁能把一堆模子，编排成一个真正能干活、能交付的体系。这恰是 vivago R1 这种创作 Agent 押注之处——它不跟你比底层模子画患上好欠好，它跟你比 从你脑子里一个 我想拍条片 的动机，到一条能直接发出去的成片 之间，那段最脏、最累、最需要懂镜头语言及叙事的活，它替你干失了几多。 这事儿实在尤其像去超市买工具。可乐、伊利、金龙鱼这些成熟商品早就于年夜润发有、盒马有、山姆也有，货都同样。可儿们为何还有是喜欢往某一家跑？可能恰是由于它帮你把品选好了、动线理顺了、该配的办事配齐了，甚至有本身的招牌自有品牌（山姆的 Member s Mark）让你非它不成。我们买的从来不只是货，买的是这家店把 逛—选—买—用 买通的整条体验。 这就是为何 它是否是聚合了他人的模子 从来不是重点。聚合是手腕，编排才是产物，或者者说穿了终极体验才是兵家必争之地。一个创作 Agent 的价值，于在它替你把 设法 到 成片 那段路摊平了几多。 回到此次实测——那部土耳其烂片的完成度、那条把一个个镜头缝成联贯长片的流水线，充足申明它于这段路上已经经铺患上相称远了。 雷峰网原创文章，未经授权禁止转载。详情见转载须知。
vivago R1 实测：模子聚合之上，长视频编排能力成新护城河。（雷峰网(公家号：雷峰网)）
吉公网安备 22010202000255号