在OpenAI大会还在“产品雕刻”的同时，谷歌继续努力更新基础模型。半个月前是基础的3D场景生成模型，一周前是秒杀所有人的Gemini 2，今天是视频生成模型。

北京时间12月17日，谷歌发布了Veo2，这是其Vincent视频模型Veo的下一个版本。此次升级是在今年 5 月 Google 在 I/O 大会上首次发布 Veo 七个月后进行的。

不过，Veo 才在十几天前的 12 月 3 日在 Axtrix 上上线。在此之前，用户只能使用 VideoFX 中的实验工具小规模试用这款视频生成软件。

该版本主要带来了三大核心升级。首先是真实感和保真度大大提高。支持输出4K分辨率的8s视频，在细节、真实性、伪影减少等方面都有巨大的提升。

其次，由于 Veo 对物理学的理解以及遵循详细指令的能力，它能够高精度地捕捉运动。这也正是空这几天反复翻车的点。

第三，Veo 2还提供了更多的摄像头控制选项，你可以输入诸如“摄像头慢慢推进到她的脸”、“追赶车辆过程中摄像头稳定下来”、“极近特写镜头”等来来去去的描述您需要的镜头模式。

当然，从目前谷歌提供的例子来看，Veo 2对物理世界的理解确实达到了相当的水平，尤其是人类甚至昆虫的运动表现。这些动作在与世界互动时具有强烈的自然感。例如，这只火烈鸟用喙捕猎。它所激起的水花并不像空两天前所展示的火山喷发那么夸张。

在实际测试中，Veo也达到了SOTA水平。谷歌选择了包括Sora在内的其他顶级模型，并在Meta发布的基准数据集MovieGenBench上比较了1003个提示及其对应的视频。

从整体表现来看，Veo占优的情况接近或超过50%，Veo不处于劣势的情况可以达到70%左右。

有趣的是，在 Google 测试的所有机型中，Sora Turbo 的表现实际上是最差的，而表现最好的是 Keling 1.5。

在指令合规性方面，Veo 的性能也达到了 SOTA，其他模型与整体性能排名相差不大。

谷歌在报告中承认其模式也存在缺陷。在复杂的场景或复杂的动作中保持完全的一致性仍然是牢不可破的。他们自己举的例子中，人物依然凭空出现。在锻炼过程中，人们仍然可能会经历不自然的“人工智能扭曲”。

在推特上，已经有网友进行了测试。说明Veo2的镜头控制和移动能力是真实的。在提示为“一个人坐在咖啡馆喝咖啡的视频。过了一会儿，镜头切换到另一个视角，显示邻桌的人给他们写信”。 Veo 2 工作得很好。完成导演叙事的镜头切换和写作动作也非常自然。

当给Sora同样的提示词时，它首先无法切换摄像机。它并没有跟随提示词中相对而坐的两个人，画面中也只有一个人。而且书写动作有点像挂毛笔。

然后我们测试了其他顶级型号。例如，海螺无法实现镜头切换，但它使用变焦来实现部分镜头切换的逻辑。空格与两个字符的关系也符合提示词。

浑源的影视气息立刻就满了，剪辑完成了。但视频中两人的关系并不那么明确。

柯灵确实是表现最好的一个，两人的关系把握得很好。除了美观和细节方面不如Veo 2外，其他部分近乎完美。

在另一个测试中，使用相同的提示词

这是 Veo 2 的结果

这就是索拉的结果

即使Veo2的输出有缺陷，Sora的迟缓、空旷的场景也已经损失太多了。

至于其他模型，科灵输出的场景不错，但弄臣的现实从空间关系上看是很刻意的、不可能的，里面有很多残影。

而海螺则在提示词遵从性上仅次于Veo2，但不符合“镜头从女王背后拍摄”的点。但细节还原比Veo2差很多。

看了这么久，说Sora是Google评测中最差的也不是没有道理的。

2025年还没开始，OpenAI的桂冠看上去就有些不稳定了。难怪连微软CEO在最近接受采访时都表示“没有OpenAI，我们也能开发出最一流的模型”。

看来这场AI大战，还是有不错的逆转的。

然而，谷歌这次仍然没有纠正自己的问题。 Veo2 仍处于内测阶段，只能在 VideoFX 上排队申请。我希望它能在25年内提高其总量和新品推出的速度。把煎饼大师的位置让给了OpenAI。毕竟，Sora 花了 9 个月才发布，这与过去的 Google 相当。