开放权重视频与多模态模型压低前沿价格，但来源验证仍滞后

开放模型的成本账

对买家来说，这首先是一笔开支账。团队过去每个任务都付前沿价格，现在可以把昂贵的模型留给最难的那一成任务，其余任务用能下载的权重来跑。更小的多模态模型还能在设备上运行，不必只在厂商的云里。这缩短了延迟，也减少了数据搬运。便宜的方案解决不了来源问题。开放权重很容易被复制、改名，再冒充成别的东西。目前没有通行的验证标准。监管机构和平台仍然没有简单办法把一个输出对应到某个具体模型。

麻烦在于留在前沿模型上的那一成。总得有人判断哪些任务够格。判断错了，改起来比当初选错更贵。

视频和嵌入模型是同一变化的两端。过去藏在API后面的能力，现在以权重的形式发布。

Pika于10月29日发布H3 Flex。这是一个面向专业创作者、开发者和研究者的开放权重视频生成模型。公司在MiniMax H3的基础上做后训练，把生成视频的步数从50步降到6步，随后针对画质和创作控制做了精调。模型适配器放在Hugging Face上，推理代码在GitHub上。Pika把它定位为反复迭代的工具，而不是一次成片。省下的那几秒就是这样一点点累积起来的。

Pika把视频生成开放出来

Pika H3 Flex支持文生视频、图生视频和基于参考素材的生成。

创作者最多可提供12个参考文件，涵盖图像、视频和音频。在Pika的示例里，一张图固定角色，一张照片设定环境，一段片段展示想要的运镜，一个音频文件承载声音。原生输出为480p和768p。Pika的托管服务可扩展到1080p、2000p和4000p。生成的视频带同步立体声。托管API会输出五条独立的音频轨。

Pika称，在受控基准下，一段带音频的15秒768p片段大约需要7秒的transformer计算。这是计算时间，不是端到端时间。参考素材处理、解码、服务开销以及更高分辨率的收尾都会拉长等待。

步数少了，两次尝试之间的间隔就短了。创作者测试提示词、运镜和角色时，每次迭代的等待更少。

更小的多模态模型走向设备端

Google的EmbeddingGemma团队在尺寸上走了另一条路。74400万参数的EmbeddingGemma 2把文本、图像、音频、视频以及它们的组合编码进同一个768维嵌入空间。参数预算分成27100万的文本主干、16700万的视觉编码器和30500万的音频编码器。设备端数据来自Pixel 11 Pro。纯文本的Q4_C量化版本在这台设备上峰值占用191 MB，完整的多模态栈占用567 MB。原生音频检索得分为69.54 MRR@10，而Google早先的EG1 ASR加文本流水线为50.95。论文称，该模型在多模态基准上胜过专用系统以及比它大2到12倍的模型。

Matryoshka表示学习让调用方可以把嵌入截断到128维。只做文本的业务可以跳过另外两个编码器。

尺寸换来的是可移植性，不是推理能力。公布的分数是检索基准，不是生成测试。

验证与安全落后于发布节奏

Anthropic正在做一个开源系统，用来证明某个输出出自哪个模型。

11月3日的一篇博客文章介绍了这个名为FlashProve的系统。它要求各家实验室公布每个模型的指纹，之后实验室可以把指纹与输出对上，并用密码学方法验证。指纹不会暴露模型权重。商业实验室可以公布指纹，而不必交出最值钱的资产。Anthropic在GitHub上公开了规范和可运行的代码。它同时表示，没有计划在Anthropic或其他任何实验室部署这套系统。

香港大学的一项研究给安全差距标上了数字。字节跳动的Seedance 2.0 Pro以3.84分（满分5分）位居该研究的画质排名第一。Google DeepMind的Veo 3.1得3.47分。OpenAI的Sora 2 Pro得3.27分。Seedance在画面一致性、物理真实感、美学质量和指令遵循上也领先。Seedance在安全方面表现较差。同一项研究把它排在11个模型中的第六位，衡量的是拦截有害内容的能力。Zhenhui Jack Jiang领导了这项研究。他是该校商学院创新与信息管理教授。

Anthropic把FlashProve的工作称为阶段性进展，并请其他人拿去改进。目前没有实验室承诺公布指纹，也没有部署时间表。