苹果公司正式发布了其全新的视频生成模型 STARFlow-V，该模型在底层技术上与当前主流的Sora、Veo和Runway等竞争对手完全不同。STARFlow-V 放弃了业界主流的扩散模型（Diffusion Model），转而采用技术，旨在解决长视频片段生成中的稳定性和错误累积问题。
扩散模型通过多步迭代去除噪声来生成视频，而STARFlow-V的核心“归一化流”技术，则直接学习随机噪声和复杂视频数据之间的数学变换。这一根本性差异带来了几大优势:
训练效率:训练过程只需一次完成，无需多次小迭代，提高了效率。
生成速度:训练完成后可直接生成视频，无需迭代计算，生成速度得到显著提升。
错误减少:减少了逐步生成过程中常见的错误。
苹果表示，STARFlow-V是首个在视觉质量和速度上能与扩散模型相媲美的同类技术。通过并行处理和重用先前帧数据，其生成五秒视频的速度比初始版本提高了约15倍。
双架构应对长视频挑战生成长序列是当前视频AI技术的难题，因逐帧生成容易导致误差累积。STARFlow-V采用双架构方法来缓解这一问题:
一个组件管理跨帧的时间序列（运动一致性）。
另一个组件优化单个帧内的细节（画面质量）。
通过这种设计，STARFlow-V在长达30秒的演示片段中保持了稳定性，而竞争对手如NOVA和Self-Forcing在几秒后便开始出现模糊或色彩失真。
多功能性与性能表现该模型无需修改即可处理多种任务，包括:
文本转视频（Text-to-Video）。
图像转视频（Image-to-Video），将输入图像作为起始帧。
视频编辑，允许用户添加或删除对象。
在VBench基准测试中，STARFlow-V获得了79.7分。虽然落后于Veo3（85.06） 和 HunyuanVideo (83.24) 等顶尖扩散模型，但它明显优于其他自回归模型，尤其在空间关系和人体表征方面表现出色。
尽管技术创新显著，STARFlow-V仍存在局限:分辨率相对较低（640×480，16帧/秒），且目前无法在标准显卡上实时使用。
更关键的是，该模型在物理模拟方面存在明显的缺陷，例如“章鱼穿过玻璃”和“石头凭空出现”等现象。
苹果承认这些限制，并计划在未来工作中专注于加快计算速度、缩小模型规模，以及使用更注重物理精确性的训练数据。相关代码已在GitHub上发布，模型权重将随后在Hugging Face上公布。
