12月1日，可靈正式發布了新模型——可靈 O1，并連續發布了可圖 O1、音畫同出模型可靈2.6、可靈數字人2.0、可靈O1主體庫&對比模版共五個更新。
最核心的是兩個O系列的生成模型，與 GPT的o系列一樣，“O”代表著Omni（all，一切），意味著模型不再局限于單一模態的輸入。
正因如此，O1也被視為視頻生成界的 “Nano Banana” 。它們的相似點在于，都是多模態整合，都具有強可控性和多輪編輯能力。
看起來很酷，但可靈的目標并不止于“又一個視頻模型”。
如果梳理近一年可靈的各種動作，你就會發現，O系列或許只是一個序幕，接下來，可靈的方向是要做出自己的世界模型。
1
“Video World Model是未來！”
事實上，可靈想做世界模型的這份野心，從來沒有隱藏過。
第一個火爆的視頻生成模型Sora，在發布之初就宣稱自己是“世界模擬器”。22個月過去，越來越多的視頻生成模型都在宣傳或研究上，或多或少地朝“世界模型”靠近，可靈也不例外。
各種論文在提供著清晰線索。
早在2024年12月，Sora公開上線的同月，快手就發布過一篇名為《Owl-1: Omni World Model for Consistent Long Video Generation》的論文，提出了Omni World Model（Owl-1），用于產生長期連貫且全面的條件，實現持續的長視頻生成，預測未來動態[1]。
從論文來看，這是他們長達一年的技術演進的梳理。進入2025年，快手的可靈團隊就開始逐漸密集地發布世界模型相關研究。
在其中，你甚至可以找到各種當下火爆的路線方向。
2025年8月Google 發了實時交互的Genie3，快手則對它對應的這種生成式交互視頻在游戲領域的應用做了研究，論文獲得了ICCV 2025 Highlight。
2025年11月李飛飛正式發布的3D “世界模型”，快手也有一個對應的模型Terra。
這些名氣很大的關鍵節點，快手的策略是緊跟不缺席。
不過，隨著“世界模型”的概念被炒熱，這也存在一個爭議點——視頻生成模型，到底是不是世界模型？圖靈獎得主 Yann LeCun 曾為此潑過一盆冷水。他認為，“視頻生成并不等于世界模型”，單純預測下一個像素點，只是對畫面的模仿，并非對物理世界的真正理解。
然后快手可靈團隊在2025年11月也發布了一篇論文《Simulating the Visual World with Artificial Intelligence: A Roadmap》，里面給出了回應：視頻生成模型也可以學習物理規律，像素只是模型渲染給人類看的結果，不代表模型中間沒有計算和推理。
這篇論文可以看作是快手自己為“視頻生成模型如何通往世界模型”畫出的路線圖，在文中，快手明確將Kling 1.0歸類于第一代世界模型，Kling2.1 Master歸類于第二代世界模型。
在他們看來，現代視頻模型并非直接預測像素，而是存在一個隱式世界模型作為“大腦”，負責在肉眼不可見的高維潛在空間（Latent Space）中進行推演，這和LeCun的潛在空間推理同理，它接收當前的各種狀態輸入，基于推理能力和內化的物理法則——如重力、流體動力學、物體恒常性——計算出下一時刻的世界狀態[3]。
快手專家研究員王鑫濤也直接在知乎上寫下判斷：“我相信，Video World Model 是未來”。
1
可靈最近研究都圍繞世界模型展開
繼續沿著《Simulating the Visual World with Artificial Intelligence: A Roadmap》這篇回看，快手那些看似碎片化的研究——從物理準確性到鏡頭運動控制——其實都能被串聯進這條通往“世界模型”之路中。
Roadmap里的一個核心是，團隊認為“視頻生成”走向“世界模型”的一個關鍵點是Navigation Mode（導航模式）。
快手認為，真正的世界模型不能只靠“空間條件”（如布局、草圖、深度圖）來描摹畫面、進行像素級或有限的控制；它必須能聽懂“導航條件”——即那些脫離了畫面依然成立的、具有時序的、具有空間推理的交互指令（如“向左轉”、“推拉鏡頭”）。
也正是因此，團隊有關“導航條件”的研究格外多。
鏡頭運動就是一種導航條件，ICCV 高分論文RecamMaster，提出了一種由攝像機控制的生成視頻重渲染框架，能夠在新的攝像機軌跡下再現輸入視頻的動態場景[4]；SynCamMaster則進一步讓模型在同一時間軸上實現多攝像機視頻生成，確保不同視角間的內容一致性[5]；而AdaViewPlanner則讓 AI 變成了攝影指導，能自主規劃最佳觀察路徑[6]。這一系列研究，本質上都是在提升模型對3D、4D空間的動態感知。
這些研究，也反映在了此次的O系列里。
從目前可靈O系列的案例中也能看出，例如，可靈O1針對一張側面的車內駕駛視頻，生成一張后座視角的車內駕駛視頻；可圖O1將一張二維的房間設計圖，轉化為3維空間的設計圖等等。
按照快手Roadmap的定義，我們可以將可靈O1劃分在世界模型第二代到第三代之間。
在快手的定義中， 第二代的主要特征就是交互性，“導航模式”賦予了模型靈活的控制力，使其能遵循預定義軌跡執行長動作序列，而第三代模型則更進一步，核心在于“規劃能力”（Planning）與“實時交互”， 進一步強化了導航模式，模型不僅能“聽指令走路”，還要能基于內在的物理知識，自主推演并生成無限長的視頻序列。
也就是說，僅僅會“運鏡”是不夠的，模型還必須懂物理、能思考。因此在導航類論文之外，快手還構建了物理、推理方向的研究。
比如，快手推出的Monet訓練框架，通過讓多模態大語言模型 (MLLMs)直接在連續的潛在視覺空間中進行推理，增強視覺推理能力[7]；
還有PhysMaster，作為一種模型外掛，通過注入物理知識來增強視頻生成模型的物理感知能力，使其能夠生成更符合物理規律的視頻。[8]。
隨著研究碎片們不斷補齊，O系列，會是可靈打開新“世界”的大門嗎？
1
在“賺錢工具”與“世界模擬器”的夾縫中
如果快手想要繼續向世界模型前進，實時性就是一個關鍵的卡點。
盡管 O1 模型在空間邏輯、指令遵循上有進步，但生成一段 5 秒的視頻目前仍需耗時約 2 分鐘。這種“高延遲”并非 O1 獨有的問題，回看從可靈 1.0 到可靈 2.1 Master 的整個迭代軌跡，團隊顯然采取了一種“畫質優先，速度讓位”的策略。
但對于一個旨在模擬世界的系統而言，如果無法做到實時響應，那么它更像是一個精美的“離線渲染器”，而非真正意義上可交互的“世界模型”。如何在保持高保真畫質的同時，將分鐘級的生成時間壓縮至秒級、毫秒級，是一個難題。
不過，在一篇《Context as Memory: Scene-Consistent Interactive Long Video Generation with Memory Retrieval》的論文中，團隊也埋下了一個伏筆：隨著“上下文壓縮”技術的改進，視頻生成時間有望降低。
這一切也形成了一個非常有意思的“錯位”：當年第一個喊出“世界模擬器”口號的 Sora，如今反而越來越像個產品經理，忙著搞 AI 視頻版的 TikTok，開發 Cameo這種娛樂玩法，一門心思往應用層鉆，而快手盡管攢了一系列的研究，但偏偏對外的產品公布里，就不提世界模型。
“技術向左，產品向右”的矛盾背后，是商業盤算。
在11月19日的Q3財報會上，程一笑提到，視頻模型與大語言模型本質上均朝著世界模型方向演進，且視頻模型有望成為世界模型的核心技術支撐，但可靈現階段仍將“AI影視創作場景”作為核心目標。
某種程度上，可靈的產品和模型是分離的。模型在水下，可靈平臺作為一個產品才是對外輸出的核心。據快手Q1的財報會披露，可靈AI營業收入主要由P端付費用戶（指專業的自媒體、視頻創作者和廣告營銷從業者等）以及為企業客戶提供API服務構成，而其中近70%由P端付費用戶貢獻。
這群“金主”不在乎你是不是“世界模擬器”，也沒那么在乎實時性，他們只在乎能不能穩定出片、能不能賺錢。因此可靈外宣稱自己是世界模型，似乎除了被挑剔，也沒有額外的增益。
但情況遲早要轉變。
單純作為“影視創作工具”的商業天花板是肉眼可見的，根據此前和11月19日披露的Q3數據，可靈AI今年第一季度、第二季度、第三季度的收入分別超過1.5億元、2.5億元、3億元，全年預計收入1.4億美元，但增速逐漸放緩。
無論是谷歌 Veo3 被用于機器人領域，還是特斯拉利用生成式視頻訓練自動駕駛，亦或是游戲行業對AI引擎的渴求，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星辰大海，對模型的物理一致性和實時交互能力也提出了極高的要求。
所以，哪怕對于視頻生成模型來說，想要不再只是一個昂貴的玩具或是一個輔助的創作工具，做成“世界模型”是一件生死攸關的大事。因為只有模擬真實，才能挖動和物理世界交互的金礦。
