视频生成模型这一年进步很快,但做专业影视的人还在抱怨同一件事:生成一条能用的画面要反复抽卡,算力与时间都烧在试错上。达瓦科技给出的解法不是把模型做得更大,而是把它拆成两层,控制层负责决定场景里有什么、人怎么走、灯怎么打,渲染层只负责把画面拍出来。公司总部在重庆永川,团队从2014年开始运营科技影视片场,2023年成立达瓦科技转向模型,今年连续完成Pre-A轮与A轮,累计融资约5亿元。
这个分层说起来简单,但它改变了模型要回答的问题。渲染层对应视频模型里的扩散部分,负责像素质量;控制层更像导演,决定场景里的物体、演员走位、道具交互与时序变化。
用团队的话说,控制层维护的是一个看不见的虚拟片场:桌子、凳子、人物、机位都真实存在,只是肉眼看不见。导演提出需求后,控制层把要素匹配进去,再交给渲染层出画面,结果符合真实拍摄的逻辑,也不容易出现抽卡常见的穿帮,比如人走过去一扭头,门口的人突然坐到了沙发上。
他们把这个区别总结成一句话:Agent解决的是信息差,帮不会写提示词的人补上技巧;控制层解决的是认知差,让模型理解一个完整的物理片场。灯突然灭了,空间里哪些东西会跟着变,这类连锁反应属于认知,靠提示词补不出来。
分层的代价是接口得自己定义。渲染层从控制层拿到的不是一段提示词,而是一份结构化的场景状态:物体清单、空间坐标、材质参数、光源位置。这份中间表示怎么设计,直接决定模型能不能被别的软件调用。达瓦把它开放成接口,外部工具可以读写同一份场景,这件事对它在剧组里的可用性影响,比参数量大得多。
影视行业的成本账不能只看单次生成价格。一个镜头要抽多少次卡,才是水下的大头。团队给的数字是:原来要抽十次到二十次,用控制层之后降到三到四次,总体成本下降50%到60%。
他们用了一个比喻,便宜的炮弹要打一万发才能炸掉碉堡,一发精准制导的导弹虽然贵,总账反而更划算。控制层就是在渲染之前把问题解决掉,避免把算力花在注定要丢弃的画面上。
另一层收益是局部修改。渲染层是一堆像素,改掉画面里的一个杯子,重新生成就全乱了;控制层可以做到指哪打哪,其他要素保持不变。对剧组来说,这意味着"再保一条"的成本从重拍整段降到改一个局部。
片场的真实痛点正是这种局部。一个一镜到底的长镜头,整体都好,只有一处小瑕疵,导演说再保一条,这一条就是经费在燃烧。控制层能保住已经成立的运镜与表演,只重算需要改的部分,省下的是整段重拍的时间与人头费。
控制层的能力来自数据。达瓦在真实片场积累了约180TB结构化过程数据,记录的不只是成片画面,还有从剧本、机位、灯光到动作捕捉的完整拍摄流程,所有要素的状态被放在同一条时间轴上。
这些数据有一部分靠硬件采集,很多设备上打了信标、配有专用跟踪设施;另一部分靠仿真扩展,团队用Omniverse搭建数字孪生环境,再通过剧本调整与变体生成扩大样本。自研的无标记动捕也在其中承担了采集任务。
模型本体是34B参数的混合专家结构,每次激活约4B。团队的说法是几乎没有纯像素数据,数据压缩做得比较好,各专家权重差距不大,因此在剧集与常规动作戏范围内已经具备较强的控制力。这也解释了为什么它敢把模型做小:控制层不需要记住世界上所有画面,只需要记住要素之间的关系。
结构化数据的真正难点在标注口径。同样一段走路,动捕给的是骨骼序列,机位跟踪给的是相机轨迹,灯光系统给的是照度分布,三路信号必须对齐到同一帧才可用。片场里每多一台设备,时间同步就多一个误差来源,这套流水线难复制的地方不是数据量,而是把十几路信号对齐的工程经验。
正在研发的Scenes AI走的是另一条路,把控制层的能力推到实时。它采用稀疏扩散自回归架构:真实场景里真正发生变化的区域往往只有10%到20%,墙壁、地板、天花板可以复用前一刻的状态,算力集中到变化的部分。
按团队披露的数据,这套架构能把GPU消耗降低约60%,推理速度提升3到5倍,目前在720P分辨率上做到每秒30帧,单张消费级显卡即可运行。演示里做的事情包括把会议室铺满海浪、把衣服实时换成汉服,交互时不穿模、不露线。
取舍也很明确。团队说不可能是三角是算力预算、生成时间与分辨率质量,三者只能取其二。为了实时,他们把模型压到34B总量、4B激活,把每一帧的推理精度与步长当作预算来管理,像做游戏优化那样分配算力。
实时还改变了交付形态。离线生成是先攒素材再剪,实时是把决策权交回现场:导演盯着监视器说把天气换成雨,画面立刻变,不满意当场再换。这种即时反馈对创作者的吸引力,可能强于分辨率上多出来的几个百分点,因为它把试错的时间从几小时压到几秒。
两款产品对应两种生意。FilmOS面向影视、广告、短剧团队做离线生成,客户批量采买token、调API,本质还是一个项目一个项目地交付;Scenes AI面向未来,希望部署到客户设备上,按年收许可费用。
财务上,公司称目前一年ARR约1亿美元,收入主要来自内容制作。团队的计划是2027年先推直播场景,年中与合作伙伴推出游戏化产品,把实时渲染从片场带到带货与互动娱乐。
这条路能不能走通,取决于两件事。一是控制层的泛化能力,从剧集扩展到直播、游戏、机器人训练,数据集要跟着变;二是大厂在控制层的投入,通用视频模型如果自己把可控性做上去,控制层的独立价值就会被压缩。团队的回答是数据与时间差:复制一套完整片场数据,需要大量硬件、时间和真实项目投入。
按年收许可的前提,是客户愿意把设备留在自己这边。影视公司与直播机构对素材外流很敏感,本地部署正好对上这层顾虑;代价是模型更新得送到客户手里,版本管理与算力适配会变成新的运营负担。团队把2027年的节点押在直播与游戏化产品上,实际是在赌这两条线能把许可模式先跑出规模。