蘋果推出 STARFlow-V 視頻模型，獨家採用“歸一化流”，實現長達30秒的畫面穩定

蘋果公司正式發佈了其全新的視頻生成模型 STARFlow-V，該模型在底層技術上與當前主流的Sora、Veo和Runway等競爭對手完全不同。STARFlow-V 放棄了業界主流的擴散模型（Diffusion Model），轉而採用**“歸一化流”（Normalizing Flow）**技術，旨在解決長視頻片段生成中的穩定性和錯誤累積問題。

擴散模型通過多步迭代去除噪聲來生成視頻，而STARFlow-V的核心“歸一化流”技術，則直接學習隨機噪聲和複雜視頻數據之間的數學變換。這一根本性差異帶來了幾大優勢:

1. 訓練效率:訓練過程只需一次完成，無需多次小迭代，提高了效率。

2. 生成速度:訓練完成後可直接生成視頻，無需迭代計算，生成速度得到顯著提升。

3. 錯誤減少:減少了逐步生成過程中常見的錯誤。

蘋果表示，STARFlow-V是首個在視覺質量和速度上能與擴散模型相媲美的同類技術。通過並行處理和重用先前幀數據，其生成五秒視頻的速度比初始版本提高了約15倍。

 雙架構應對長視頻挑戰

生成長序列是當前視頻AI技術的難題，因逐幀生成容易導致誤差累積。STARFlow-V採用雙架構方法來緩解這一問題:

• 一個組件管理跨幀的時間序列（運動一致性）。

• 另一個組件優化單個幀內的細節（畫面質量）。

通過這種設計，STARFlow-V在長達30秒的演示片段中保持了穩定性，而競爭對手如NOVA和Self-Forcing在幾秒後便開始出現模糊或色彩失真。

多功能性與性能表現

該模型無需修改即可處理多種任務，包括:

• 文本轉視頻（Text-to-Video）。

• 圖像轉視頻（Image-to-Video），將輸入圖像作爲起始幀。

• 視頻編輯，允許用戶添加或刪除對象。

在VBench基準測試中，STARFlow-V獲得了79.7分。雖然落後於Veo3（85.06） 和 HunyuanVideo (83.24) 等頂尖擴散模型，但它明顯優於其他自迴歸模型，尤其在空間關係和人體表徵方面表現出色。

儘管技術創新顯著，STARFlow-V仍存在侷限:分辨率相對較低（640×480，16幀/秒），且目前無法在標準顯卡上實時使用。

更關鍵的是，該模型在物理模擬方面存在明顯的缺陷，例如“章魚穿過玻璃”和“石頭憑空出現”等現象。

蘋果承認這些限制，並計劃在未來工作中專注於加快計算速度、縮小模型規模，以及使用更注重物理精確性的訓練數據。相關代碼已在GitHub上發佈，模型權重將隨後在Hugging Face上公佈。