DeepSeek 和 Seedance 是不是同一种 AI：从杯子掉落拆解语言模型与视频生成模型的区别

以下是视频口播的自动转写，可能有错字。

同样是大模型，为什么一个能解题、一个能拍电影？区别藏在它们怎么生成答案。想象一下，你给两个模型同一个任务：一个玻璃杯从桌边掉下去，接下来会怎样？DeepSeek可以解释重力，还能帮你写出这段戏；Siddens则可以把下落、碎裂和声音变成镜头。

看起来都在理解你，教出来的东西却完全不同。本质区别藏在三个问题里：它要生成什么？怎样生成？又靠什么判断好坏？先拆开答案，再拆开一段视频。语言模型先把文字切成小片段，也就是词元。一个词元可能是汉字，也可能是词的一部分。模型会根据前文给候选词元分配不同的概率，按概率等规则选出一个，接回上下文，再继续生成。

所以语言模型也可能对同一个问题给出不同回答。但把它理解成输入法，就低估了这件事。要预测一段解题过程，模型得学会利用条件；遇到复杂问题，它可以写出中间步骤，再检查答案。这些仍然是模型生成的内容，也可能推错。在公开的研究中，强化学习会奖励正确答案、数学题能验结果、代码能跑测试，所以训练不止追求说得顺，还会推动它把题做对。

而视频模型交付的是像这样的连续画面。它要同时处理空间和时间，比如十秒视频，每秒24帧，就是240张画面。如果画面是全高清，总共有接近5亿个像素位置。这只是直观的规模演算，不是模型的计算量。模型通常不直接在这5亿个像素上生成。训练时，先把视频压缩成更紧凑的内部表示；生成时，模型在这个空间里创造新的内容，再由解码器把它变成我们能看的视频。

怎么让画面从无到有？一条典型路线是从随机噪声出发，逐步调整文字和参考图像，给调整过程提供方向。模型多次更新，内部表示最终得到画面。这里演示的是原理，不是模型真实的中间画面。这也带来了大家常说的“抽卡”——同一句提示词，换一个随机起点，就可能得到另一种镜头。

比如，同样是杯子掉落，机位和碎片分布都可以不同。随机种子可以用来控制这个起点，但它不是质量分数固定。种子也不保证结果完全一致，反复生成候选，再挑出满意的一条，就像抽卡。有些变化是创作选择，有些却是变形穿帮。给足参考拆短镜头，再针对问题修改，能减少盲抽。

所以区别不是谁随机，而是随机选择的对象和生成过程不同。Seed dance 1.0的公开论文，采用了流匹配训练。训练时，把噪声和视频的压缩表示配对，学习中间状态该往哪边走。生成时从新的噪声起步，按学到的方向反复更新。这里讲的是公开版本的路线，新版可能有不同设计。

视频最难的，也不只是每张图都漂亮。杯子转个角度，杯把不能突然换边。物体被手挡住以后，再出现时还要对得上。所以它要一起协调多帧，不能只把独立图片串起来。再看训练，两类模型的练习材料也有不同。语言模型从文本等数据中学习语义知识和任务规律；视频模型需要视频和描述学习外观、运动与镜头关系；能生成声音的模型还要学习声音和画面怎样配合。

考卷不一样，打分方式也就不一样。一段代码可以问他有没有通过测试，一个镜头还要看人物稳不稳、动作顺不顺。同一句提示词可以对应很多合理的画面，因此视频质量很难压成唯一的标准答案。这种区别也能解释“sit dance”为什么强调创作控制。官网目前展示的2.5版本支持单段30秒，还能参考素材编辑和延长视频，这些能力的价值是让镜头更接近创作者的意图。

到这里，有三个容易踩的坑。第一，能够识别图片，不代表能生成视频。现在的 deepseek 已有视觉理解能力。输入看到了什么和输出能生成什么，是两回事。第二，别把专家混合和扩散看成同一层面的二选一。专家混合说的是怎样分配模型内部的计算，扩散这类方法说的是怎样把结果生成出来，两边也都能使用 transformer 这种网络结构。

第三，视频看起来符合物理，不代表它在严谨地求解物理。漂亮的杯子碎裂镜头不能证明碎片轨迹都算对了，就像一段头头是道的解释。也不保证事实正确。两类模型都需要检查，只是检查的位置不同。如果你要做一条产品短片，最实用的办法是把它们接起来。先让语言模型梳理卖点，把故事拆成几个镜头，你确认事实，再把镜头说明和参考素材交给视频模型，得到画面后检查产品外观、动作和镜头衔接。

一个帮你组织任务，一个把创作意图变成视听素材。所以下次看到一个新模型，先别急着问谁更聪明，看看它输出什么、怎样生成、怎样验证，你就能知道该把哪一部分工作交给它。我是硅基比特，关注我，一起把人工智能看明白。