一家影视公司自研的模型，把硅谷通用视频模型都压下去了

2026年10月7日

AI 视频圈今天有个结果挺扎眼：在 Artificial Analysis 的盲评榜单上，一个叫 Utopai X 的视频大模型，以 1150（±10）的 Elo 评分拿了全球第二、全美第一，还在「音频同步」和「物理效果」两个单项上登顶，压过了 Gemini Omni Flash 1.1 和 Dreamina Seedance 2.5。单看这个，也就是又多了一个跑分冠军的事。真正反常的是它的出身——这不是哪家硅谷实验室的通用模型，而是一家影视公司定制出来的模型。

按 AA 榜单自己的说法，这是它采用盲评机制以来，第一次有影视公司自研定制的模型挤进前二。背后的公司叫 Utopai Studios，外媒《Variety》把它称为「全球最大独立 AI 原生影视公司」，据《福布斯》估算估值 10 亿美元。一家拍片子的公司，凭什么叫板一群训练了海量互联网数据的通用大模型？

道理其实埋在影视工作的基本盘里。一部 90 分钟长片大概有 1000 到 1500 个镜头，导演的要求从头到尾就是一个词：一致性。男主角特写、中景、远景、奔跑、哭泣，脸部特征和服装得分毫不差；镜头从客厅摇到卧室，光线衰减和道具位置得符合物理；画面风格不能在切换之间漂移。而主流通用视频模型先天缺乏对「资产」和「场景」的持续记忆，它们是优秀的「梦境生成器」，却不是合格的「片场摄影机」。空间漂移、结构塌陷、光学错乱，这种梦境感在短视频里能当风格，上了大银幕就穿帮。

Utopai X 的技术路线在这个背景下就说得通了。它基于 MiniMax H3 做了深度后训练，但跟通用实验室的调优不一样，是把好莱坞一线的实战需求全部反哺进了训练。物理效果和音频同步两个单项全球第一，光线材质和相机控制两个单项全球第二（仅次于 Wan 3.0）。音频这一块尤其值得注意，它做的是「视听一体生成」——杯子碎裂的一瞬间，撞击声毫秒级同步爆发；镜头从室内摇向窗外，画外声场随空间纵深产生衰减和混响变化。这基本是把 AI 视频从「动图生成」往「成片级视听叙事」的方向推。

真正有意思的是他们怎么训练模型。给模型做「标注」和「反馈」的，是参与过《怪物史莱克》的编剧、前皮克斯的美术指导、熟谙好莱坞管线的资深动画师和导演；导演、摄影师、美术师会评估哪些版本能用、哪些被否掉、为什么被否掉，这些决定成了研究团队的训练和评估信号。内部还用一套 Elo 排名系统比较模型输出，既有真人美术师的人工偏好评估，也有视觉语言模型的自动投票。这跟普通数据标注完全是两回事——它把「为什么要这样选」的专业判断，直接变成了模型学习的方向。

这家公司的自我定位也很有态度。他们反复强调自己是「以故事为核心的影视公司，而不是模型公司」，核心思想落在自研的 PAI 制作体系上，创意的主动权永远在创作者手里，剪哪里、留什么、怎么改，由导演和艺术家说了算。技术不是来取代电影人的，是来把过去做不起的片子做出来的。

兑现这个说法的，是院线项目。目前公司有 20 余部项目在开发制作中，三部锁定了 2027 年全球院线公映：暑期档的家庭动画长片《The Most Serious Fart》，幕后是拿过奥斯卡、安妮奖、艾美奖的一批好莱坞艺术家，全面依托 PAI 体系制作；柏林银熊奖得主、韩国导演 Hyo-joo Yang 执导的亲情剧情片《半月》，题材是德国跨文化家庭里的代际和解；还有奥斯卡提名编剧 Nicholas Kazan 执笔的历史史诗片《Cortés》。这个题材在传统制片体系里是出了名的「绿灯黑洞」，动辄数亿美元的置景成本让大制片厂望而却步，Utopai 是顺着这个方向砸进去的。

商业层面的验证也在落地。他们跟日本游戏娱乐巨头 DeNA 达成了 AI 辅助动画制作的战略合作，Utopai 自称是「全球首家把 AI 制作体系全面引入传统日漫工业管线的影视公司」；今年四月还跟华策影视合作开发动画剧集《西游记：消失的 500 年》。发行端同样有声音：电影《Bedford Park》（《贝德福德公园》）拿了圣丹斯电影节美国剧情片单元评审团特别奖，索尼经典电影收购了全球发行权；联合制作的科幻剧集 Space Nation 成为首部与传统版权买家达成交易的 AI 背景剧集，巴西的 Globoplay 和德国电视台按传统非 AI 内容的正常市场价格采购了发行权。据《福布斯》报道，在按约完成交付的前提下，仅 Space Nation 和《Cortés》两个项目，来自版权方的潜在合计预售收入最高可达 1.1 亿美元。

还有一个值得划重点的信号：Utopai Studios 成了首家加入好莱坞编剧协会和演员工会的 AI 影视公司。把「AI 原生」和「工会成员」「传统版权价采购」放到一起，方向上是有讲究的——它不想当规则的颠覆者，而是想以产业内玩家的身份入场。

我不打算把这份材料全盘照收。盲评榜单只代表人类观众对生成画面的直接偏好投票，说明不了全部；单项指标上的领先，也带不上「能把任何题材都拍好」的结论。但这件事有一个观察点是足够硬的：把专业电影工业的判断沉淀成训练信号，这件事本身跑通了一条通用模型公司不太会走的路。至于这条路能不能真撑起 2027 年的三部院线长片，把票房和口碑拿出来见真章，那就是另一件事了。