Seedance 1.0：探索视频生成模型的边界

视频生成的基础模型近年进步很快，但要同时把指令遵循、运动合理性和画面质量三件事都做好，仍然很困难——这是报告开篇就点明的核心矛盾。围绕这一点，字节跳动 Seed 的这份技术报告给出了一个完整答案：一个在生成质量与推理效率之间取得平衡的视频基础生成模型 Seedance 1.0。它值得现在读，不只是因为提出了一个模型，而是因为它把数据、架构、后训练和推理加速四条线放在同一份文档里讲清楚了取舍。对关心「高质量视频生成到底靠什么支撑」的读者来说，这类端到端的技术叙述比单点刷榜更有参考价值。

报告覆盖的是从数据到部署的完整链路。模型设计部分拆成变分自编码器、Diffusion Transformer、Diffusion Refiner 和 Prompt Engineering 四部分；数据部分讲预处理、视频描述生成和工程基础设施；训练部分按预训练、继续训练、监督微调、人类反馈对齐逐段展开，对齐环节还单独写了反馈数据设施、奖励模型、基座模型反馈学习和超分辨率 RLHF 框架。推理与训练基础设施各占一节，最后是模型性能评估，包括 Artificial Analysis 竞技场、自建的 SeedVideoBench 1.0、人工评测，以及多镜头生成与多风格对齐的专项展示。换句话说，这是一份官方自述性质的技术报告，方法是描述自家系统的设计与评测，不同于对多家模型所做的独立第三方对比。

四个层面的技术改进是报告的主干。其一是多源数据整理，配合精确且有信息量的视频描述，让模型能在多样场景里充分学习；其二是高效的架构设计与配套训练范式，原生支持多镜头生成，并把文生视频与图生视频放在一起联合学习；其三是后训练，用细粒度监督微调加上视频专用的 RLHF，奖励机制是多维度的；其四是加速，靠多级蒸馏策略与系统级优化取得约 10 倍推理提速。这几项不能简单看作并列的技巧清单，它们分别对应数据、结构、对齐、成本四个不同层面的瓶颈——从组织方式看，报告想强调的是四条线必须同时推进。

最能说明效率的一个数字是：在 NVIDIA-L20 上生成一段 5 秒、1080p 的视频只需要 41.4 秒。换句话说，生成耗时仍约是视频本身时长的八倍，已经可用，但还谈不上实时。质量方面，报告称 Seedance 1.0 在 2025 年 6 月 10 日的 Artificial Analysis 两个视频生成榜单（文生视频与图生视频）上均排名第一；报告也注明，由于缺少公开数据，Kling 2.1 的 Elo 分数取自 Kling 2.0，这一点在读榜单结论时需要记住。榜单中的 Speed 指标被定义为「每生成一秒视频的平均耗时（来自 API）的倒数」，也就是数值越大越快。此外模型原生支持中英双语生成，并已在火山引擎上线，模型 ID 为 Doubao-Seedance-1.0-pro。

这些结论对实践的意义可以分两层看。模型层面的解读是：把多镜头生成做成原生能力，不再依赖事后拼接，意味着叙事连贯性和主体一致性更可能由训练目标来保证；把文生视频与图生视频联合学习，也意味着两类任务的共享表征被显式利用。工程层面的解读是：约 10 倍加速的收益来自蒸馏加系统优化的组合，这说明视频生成的降本问题很难靠单一手段解决。对打算做技术选型的人来说，报告里「时空流畅性与结构稳定性」「复杂多主体场景下的指令遵循」这些描述，值得对照自己业务里的失败案例去读。

做视频生成算法、多模态模型训练或推理优化的工程师，能从中获得一套可对照的模块划分和训练阶段划分；做产品与技术选型的人，则能获得一组明确的效率基准与能力描述。需要提醒的边界也很清楚：这是模型方自己发布的报告，评测主要依托 Artificial Analysis 榜单与自建的 SeedVideoBench 1.0，再加上人工评测，材料中没有独立第三方的复现结果，部分对比基线还存在数据来源上的折衷。因此更合适的方式，是把它当作一份高质量的「设计说明书 + 自评报告」来读：榜单名次可以看，但更要看它为了这些名次做了哪些具体取舍。

arXiv:2506.09113v2 [cs.CV] 28 Jun 2025 Seedance 1.0: Exploring the Boundaries of Video Generation Models ByteDance Seed Abstract Notable breakthroughs in diffusion modeling have propelled rapid improvements in video generation, yet current foundational model still face critical challenges in simultaneously balancing prompt following, motion plausibility, and visual quality. In this report, we introduceSeedance 1.0, a high-performance and inference-efficient video foundation generation model that integrates several core technical improvements: (i) multi-source data curation augmented with precision and meaningful video captioning, enabling comprehensive learning across diverse scenarios; (ii) an efficient architecture design with proposed training paradigm, which allows for natively supporting multi-shot generation and jointly learning of both text-to-video and image-to-video tasks. (iii)