視頻生成領域迎來新突破，可靈近日發布可靈O1模型，同時推出可圖O1、音畫同出模型可靈2.6、可靈數字人2.0以及可靈O1主體庫&對比模版五項更新。此次核心亮點在于兩個O系列生成模型，其“O”代表Omni（all，一切），意味著模型不再局限于單一模態輸入，可靈O1更被視為視頻生成界的“Nano Banana”，二者均具備多模態整合、強可控性和多輪編輯能力。

可靈的野心不止于打造又一個視頻模型，梳理其近一年動作可知，O系列或許只是開端，未來方向是構建世界模型。早在2024年12月，首個火爆的視頻生成模型Sora宣稱自己是“世界模擬器”，此后眾多視頻生成模型在宣傳或研究上逐漸向“世界模型”靠攏，可靈也不例外。

從論文線索來看，快手在相關技術演進上早有布局。2024年12月Sora公開上線當月，快手就發布論文《Owl-1: Omni World Model for Consistent Long Video Generation》，提出Omni World Model（Owl-1），用于實現持續長視頻生成并預測未來動態。進入2025年，可靈團隊密集發布世界模型相關研究，緊跟行業關鍵節點。例如2025年8月Google發布實時交互的Genie3后，快手對其在游戲領域的應用展開研究，論文獲ICCV 2025 Highlight；2025年11月李飛飛發布3D“世界模型”，快手也有對應模型Terra。

然而，“世界模型”概念被炒熱的同時，也引發爭議。圖靈獎得主Yann LeCun認為視頻生成不等于世界模型，單純預測下一個像素點只是對畫面模仿，并非真正理解物理世界。對此，可靈團隊在2025年11月發布論文《Simulating the Visual Visual World with Artificial Intelligence: A Roadmap》回應，稱視頻生成模型可學習物理規律，像素是模型渲染給人類看的結果，不代表中間沒有計算和推理。該論文還為“視頻生成模型如何通往世界模型”畫出路線圖，將Kling 1.0歸類為第一代世界模型，Kling2.1 Master歸類為第二代世界模型。在他們看來，現代視頻模型并非直接預測像素，而是存在隱式世界模型在高維潛在空間進行推演，與LeCun的潛在空間推理同理，接收當前狀態輸入，基于推理能力和內化物理法則計算下一時刻世界狀態。

可靈近期研究圍繞世界模型展開。在《Simulating the Visual World with Artificial Intelligence: A Roadmap》中，團隊認為“視頻生成”走向“世界模型”的關鍵是導航模式。真正的世界模型不能僅靠“空間條件”描摹畫面，必須能聽懂“導航條件”，即具有時序和空間推理的交互指令。為此，團隊在“導航條件”研究上投入頗多。鏡頭運動是導航條件之一，ICCV高分論文RecamMaster提出攝像機控制生成視頻重渲染框架，能在新攝像機軌跡下再現輸入視頻動態場景；SynCamMaster讓模型在同一時間軸實現多攝像機視頻生成，確保不同視角內容一致；AdaViewPlanner讓AI成為攝影指導，自主規劃最佳觀察路徑。這些研究提升了模型對3D、4D空間的動態感知，也體現在此次O系列中，如可靈O1能針對側面車內駕駛視頻生成后座視角視頻，可圖O1可將二維房間設計圖轉化為三維空間設計圖。按照快手路線圖，可靈O1處于世界模型第二代到第三代之間，第二代特征是交互性，第三代核心是“規劃能力”與“實時交互”，強化導航模式后模型不僅能“聽指令走路”，還能基于物理知識自主推演生成無限長視頻序列。

除導航類研究，快手還構建物理、推理方向研究。推出的Monet訓練框架，通過讓多模態大語言模型（MLLMs）在連續潛在視覺空間推理，增強視覺推理能力；PhysMaster作為模型外掛，通過注入物理知識增強視頻生成模型物理感知能力，使其生成更符合物理規律的視頻。

若快手繼續向世界模型前進，實時性是關鍵卡點。盡管O1模型在空間邏輯、指令遵循上有進步，但生成5秒視頻仍需約2分鐘。從可靈1.0到2.1 Master的迭代中，團隊采取“畫質優先，速度讓位”策略。但對于模擬世界的系統，無法實時響應更像“離線渲染器”。不過，在論文《Context as Memory: Scene-Consistent Interactive Long Video Generation with Memory Retrieval》中，團隊埋下伏筆，隨著“上下文壓縮”技術改進，視頻生成時間有望降低。

當前，Sora和可靈在發展路徑上呈現“錯位”。Sora最初喊出“世界模擬器”口號，如今卻更像產品經理，忙著開發AI視頻版TikTok和Cameo等娛樂玩法，向應用層發展；可靈雖有一系列研究，對外產品公布卻未提世界模型。這背后是商業考量，在11月19日Q3財報會上，程一笑提到視頻模型與大語言模型均朝世界模型演進，視頻模型有望成為核心技術支撐，但可靈現階段核心目標是“AI影視創作場景”。可靈產品和模型分離，平臺是核心輸出產品，其營業收入主要由P端付費用戶（專業自媒體、視頻創作者和廣告營銷從業者等）和企業客戶API服務構成，近70%由P端付費用戶貢獻。這群“金主”更關注能否穩定出片、能否賺錢，對是否為“世界模擬器”和實時性要求不高，因此可靈宣稱自己是世界模型似乎無額外增益。

然而，單純作為“影視創作工具”商業天花板明顯。根據Q3數據，可靈AI今年第一、二、三季度收入分別超1.5億元、2.5億元、3億元，全年預計收入1.4億美元，但增速放緩。谷歌Veo3用于機器人領域、特斯拉利用生成式視頻訓練自動駕駛、游戲行業對AI引擎的渴求，表明具身智能、自動駕駛、游戲引擎等領域才是視頻生成模型真正的發展方向，對模型物理一致性和實時交互能力要求極高。因此，對視頻生成模型而言，成為“世界模型”至關重要，只有模擬真實，才能挖掘與物理世界交互的金礦。