苹果押注归一化流技术打造下一代视频AI

与行业趋势截然不同，苹果推出了完全绕过主流扩散技术的视频生成模型STARFlow-V。该模型采用归一化流——一种将随机噪声直接转化为连贯视频帧的数学方法。

归一化流为何重要

当Sora或Runway等扩散模型通过多次噪声迭代逐步优化视频时，STARFlow-V选择了更直接的路径。想象通过展示完整杰作而非反复擦除重画来教人绘画——这就是该技术的本质区别。

其优势显而易见：

• 训练一次完成，无需无数微调
• 生成几乎瞬时完成
• 减少迭代处理导致的错误累积

苹果宣称STARFlow-V在质量上媲美扩散模型，且生成5秒片段的速度比初期原型快约15倍。

破解长视频难题

真正的突破在于处理长序列。大多数AI视频工具在超过几秒后就会因逐帧错误累积而失效。STARFlow-V通过创新双架构解决这一问题：

• 一个系统维持跨帧运动一致性
• 另一个优化单帧细节表现

结果如何？稳定的30秒演示中，竞品模型几秒内就会出现模糊或失真。

能力与局限

该模型开箱即支持多种任务：

• 根据文本提示生成视频
• 为静态图像添加动画效果
• 通过添加或移除对象编辑现有素材

基准测试显示STARFlow-V在VBench获得79.7分——虽逊于Veo3（85.06）等领先者，但在空间关系和人体形象的真实渲染方面显著优于其他自回归模型。

当前版本仍有不足：

• 最高分辨率仅640×480像素
• 标准GPU尚无法实时处理
• 物理模拟偶现异常（如章鱼穿透玻璃）

苹果承认这些局限，计划重点优化速度、压缩模型并引入更精确的物理训练数据。公司已在GitHub发布代码，模型权重即将登陆Hugging Face。

核心要点：

• 苹果STARFlow-V采用归一化流而非扩散模型
• 实现竞品难以企及的30秒稳定视频
• 直接处理帧而非迭代优化
• 目前基准分数略逊顶尖模型
• GitHub已开源代码，Hugging Face即将发布权重