在自然語言處理領域，一個引人矚目的現象正在顯現：傳統的通過增加模型規模和數據量來提升性能的Scaling Law似乎已逼近瓶頸。業界開始擔憂，單純依賴這種策略或許已難以帶來顯著的性能飛躍，低精度訓練和推理正使得模型性能提升的邊際效益逐漸遞減。然而，在自然語言處理遭遇挑戰的同時，多模態模型領域卻似乎尚未觸及這一限制。

多模態數據，涵蓋圖像、視頻、音頻等多種類型，因其信息豐富度、處理方法和應用領域的復雜性，難以達到大規模訓練的標準。因此，Scaling Law在多模態領域尚未得到充分驗證。但這一現狀即將發生改變。清華系大模型公司生數科技最新發布的Vidu 1.5，正引領多模態領域邁向新的發展階段。

Vidu 1.5通過持續的規模擴展（Scaling Up），已達到了一個關鍵的“奇點”時刻，涌現出了強大的“上下文能力”。這一能力使模型能夠理解并記憶輸入的多主體信息，展現出對復雜主體更為精準的控制。無論是細節豐富的角色還是復雜的物體，僅需上傳不同角度的三張圖片，Vidu 1.5便能確保單主體形象的高度一致。

Vidu 1.5的突破不僅限于單主體控制，還實現了多主體之間的一致性。用戶能夠上傳包含人物角色、道具物體、環境背景等多種元素的圖像，Vidu能夠將這些元素無縫融合，實現自然交互。這一能力標志著多模態模型在主體一致性方面取得了重大進展。

Vidu在主體一致性方面的成就，不僅得益于Scaling Law的發揮，更源于其采用的無微調、大一統的技術架構方案。當前主流的視頻模型為實現一致性，大多采用在預訓練基礎上針對單個任務進行微調的LoRA方案。而Vidu的底層模型則跳出了這一框架，做出了開拓性的改變。這一改變與生數科技一貫堅持的通用性理念相契合，通過統一的底層模型技術架構，無需單獨進行數據收集、標注和微調，僅需1到3張圖即可輸出高質量視頻。

回顧大語言模型的發展歷程，從GPT-2到GPT-3.5的質變，同樣實現了從預訓練+特定任務微調向統一框架的突破。Vidu 1.5的推出，標志著多模態大模型正經歷著類似于GPT-3.5的時刻。這一突破不僅體現在技術上，更在于設計理念上的革新。

生數科技CTO鮑凡表示，公司不會盲目追隨Sora等已有模型的路線，而是從一開始就瞄準通用多模態大模型的目標，進行自主研發。從全球首個基于Diffusion的Transformer架構U-ViT的發布，到首次實現用統一架構處理泛化任務，生數科技不僅擁有先發優勢，更具備持續突破的能力。Vidu與業界其他視頻生成模型相比，已形成明顯的技術代差。

在主體一致性這一難題上，Vidu取得了顯著成果。鮑凡比喻道，這就像制造一臺好的發動機，雖然知道其重要性，但實現起來卻異常艱難。包括Sora在內的國內外視頻模型，在主體一致性方面均未取得突破。而Vidu則從上線之初就主打解決一致性問題，并逐步拓展到對單主體整體形象的控制，直至最新版本的Vidu 1.5，已能夠實現對單主體不同視角的高度精準控制，并攻破多主體控制的難題。

Vidu的技術方案與業界主流存在顯著差異。其他家仍局限于預訓練+LoRA微調的方案，存在數據構造繁瑣、訓練時間長、易過擬合、無法捕捉細節等缺點。而生數則通過統一的底層模型技術架構，無需單獨進行數據收集、標注和微調，僅需少量圖片即可輸出高質量視頻。這一架構的統一性不僅體現在問題形式上，更體現在底層設計上，與Sora的DiT架構存在本質區別。

隨著高質量數據的一同擴展，Vidu在底層視頻生成模型上也觀察到了類似于大語言模型的智能涌現現象。例如，Vidu 1.5能夠融合不同主體，創造出全新的角色，這是之前未曾預料到的能力。其智能涌現還體現在上下文能力提升和記憶能力增強上，能夠實現對視頻中角色、道具、場景的統一控制。

Vidu在上下文能力方面的迭代節奏緊湊，從初期僅能參考單一主體的面部特征，到現在能參考多個主體，未來預期可以實現參考拍攝技巧、運鏡、調度等更多因素。這一過程中，參考對象從具體到抽象，要求和難度逐漸提升。由于目前還沒有針對視頻模型上下文能力的開源解決方案，Vidu 1.5在這一領域形成了自己的技術壁壘。