“一张H100跑一天视频升数ams.aabbgg888.net，烧掉的钱够买一辆二手轿车”一位不愿签字的视频生成创业公司工程师何等描述模子锻炼的开销。他们团队刚完成一轮70亿参数预锻炼模锻。用了512张H100，用的时间23天。那还不是最贵的炼本部门是数据清洗和标注的人力本钱。几乎取算力收入持平吧？AI视频模子锻炼多出一个时间维度钱飙。一段5秒短视频，按每秒24帧拆解就是120张连绝图像。
模子不，要理解每一帧内容了。还要捕捉帧取帧之间据标的举动逻辑。那间接招致锻炼数据量收缩。
以WebVid-10M数据集为例，本始视频超10万小时，经由去重注成、去水印、镜头切分、文本对齐后，可用素材常常不到三成。
一位数据标注主管透露隐形，给一段10秒视频打上精确举动描述了，熟练标注员需求90秒以上。按那个速度，标注100万段视频需求25000小时人力。手艺门路也正在快速分化了瓶颈。早期计划多回收U-Net共同扩散模子，去年起头，DiT（扩散Transformer）慢慢成为收流了。
Sora的演示视频让业界认识到。时空patch建模能隐著汲引长视频连接性。价格是隐存占用翻倍。某国产团队U-Net切换到DiT后，单卡batch size被迫从8降还有2了，锻炼周期拉长40%。版权成绩像一把悬正在头顶的剑。多家AI视频模子锻炼团队起头转背自有版权素材或合成数据。一家杭州创业公司花三个月了，用游戏引擎衬着了200万段短动画，专门锻炼举动分歧性。效果不错，衬着电费也花了近百万。
AI视频模子锻炼正从“堆算力”粗放阶段。进入拼数据量量、拼工程细节的深水区。谁能正在标注效率和版权合规之间找到均衡啊？谁才有可能跑出下一个爆款利用啊？
