上海AI实验室“书生·筑梦”视频大模型：从分钟级故事生成到筑梦 2.0 一体化视频生成

一、书生·筑梦 1.0：首个支持故事性、多镜头的开源视频大模型

书生·筑梦是上海人工智能实验室“书生”家族中面向视频生成的代表，是首个支持故事性、多镜头的视频生成大模型，参数规模超过 30 亿，可依据提示词生成有故事性、含多镜头的分钟级视频，具备“转场流畅、故事连贯、画质高清”特点，已开源并提供免费商用。

它与 AnimateDiff 等文生视频框架、可控图像生成与图像驱动技术结合，在动画片等视频领域有广阔前景；用相关框架制作的 AI 视频曾亮相 2024 年央视春晚歌曲《枕着光的她》的动画背景。

2024 年 2 月，书生·筑梦助力中央广播电视总台制作国内首部 AI 动画片《千秋诗颂》，并于 2 月 26 日起在 CCTV-1 播出。实验室与总台此前已联合发布“央视听媒体大模型”，融合书生·浦语与书生·筑梦等能力，覆盖新闻助手、数字人、文生视频、动画制作等功能板块。

二、书生·筑梦 2.0：一体化视频生成与增强

书生·筑梦 2.0（Vchitect 2.0）集文生视频、图生视频、插帧超分、训练系统于一体，支持 5s–20s 长视频生成与多种画幅比例，采用扩散式 Transformer（DiT）架构。

同步开源的视频增强模型 VEnhancer 集成插帧、超分与修复，可在 2K/24fps 提升画质；评测框架 VBench 也升级为支持长视频生成评测。其开源 2B 模型性能可媲美开源最优 5B 模型，并开源 LiteGen 训练/推理框架，借助 Activation Offload 与 Sequence Parallel 优化显存与序列长度，支撑分钟级视频生成训练。

三、书生家族的多模态版图

除视频外，书生体系还涵盖科学多模态大模型 Intern-S、具身全栈引擎 Intern-Robotics、SafeWork 安全技术栈等，形成覆盖语言、视觉、视频、科学、具身与安全的开源大模型矩阵。

小结

书生·筑梦以“开源 + 免费商用”策略，把视频生成能力开放给创作者与产业，是新型研发机构推动生成式 AI 普惠的又一代表。