AI视频竞争转向持续交付：融资、算力与多镜头验收的同一张账

本期覆盖 2026 年 8 月 17 日 09:00 至 8 月 19 日 09:00（北京时间）。窗口内最值得展开的信号，是 Higgsfield 在融资市场得到的高估值，以及同日进入 arXiv 的两类技术工作：一类压低视频生成的注意力成本，另一类开始把多镜头人物叙事拆成可测量的连续性问题。

我的判断是：AI 视频的竞争正在从「能不能生成」转向「能不能持续交付」。 这里的「持续」有两层含义：模型要能以可接受的成本反复生成，产品要能让多镜头内容在修改、扩写和批量生产中保持一致。融资说明资本在押注这个生产入口，论文则提醒我们，算力账和叙事账都还没有被真正结清。

8 月 17 日，Higgsfield 宣布完成 4 亿美元 B 轮融资，估值 54 亿美元，距上一轮 13 亿美元估值约八个月。融资由 DST Global 领投，参与方包括 Goldman Sachs Alternatives、Intel Capital、Liberty Global Tech Ventures 等。融资公告是公司新闻稿，金额和估值由 TechCrunch 独立转述确认；至于收入和用户规模，仍应看作公司自述，而不是审计财务数据。12

这笔钱的意义不只在估值。Higgsfield 对外称，公司年化收入本月达到 7 亿美元，去年同期约 2000 万美元；The Next Web 特别提醒，annualized revenue 是把当前表现外推一年的 run rate，不等于已经入账的年度收入。该媒体还转述，公司收入结构已经从 1 月时企业客户贡献不足四分之一，变成企业客户贡献多数收入。这个方向性变化有参考价值，但客户留存、合同期限、毛利、退款和算力成本仍没有公开到足以独立复核。3

Higgsfield 还称自己拥有超过 3000 万用户、服务 390 家《财富》500 强企业，并在 Supercomputer 产品上线后让代理产品用户三个月增长 42 倍、每月生成超过 2000 万条内容。这些数字都来自公司口径；它们能证明市场叙事已经从个人创作者扩展到品牌和企业工作流，却不能单独证明付费用户规模、每条内容的真实毛利或企业续约。12

更值得注意的是，TechCrunch 报道 Higgsfield 会把新资金用于产品、人力和算力；CEO Alex Mashrabov 直言视频是计算密集型业务，可靠的计算资源已经是与 Runway、Synthesia 等竞争的必要支出。换句话说，资本市场买的是一个可能成为企业内容生产入口的平台，但这类平台的增长也会同步放大推理、队列、失败重试和存储成本。2

8 月 17 日提交的论文 SQuad，处理的是视频扩散 Transformer 中最容易随分辨率和时长膨胀的一块：Self-Attention。论文的基本路线不是从头训练一个新模型，而是把 Wan 2.2 5B 的全注意力模块蒸馏成复杂度约为 O(n√n) 的子二次注意力。作者报告，在自己的测试设置下，SQuad 与教师模型的 VBench 分数接近：83.20 对 83.08；每个注意力块、每个采样步的 FLOPs 约下降 67 倍，注意力延迟约下降 11 倍，DiT 端到端延迟约下降 2 倍，并把采样从默认 100 个 NFE 降到 6 个。4

这是一条很有价值的技术信号，但它不能直接翻译成「视频成本下降 67 倍」。论文给出的是注意力子模块和特定模型、特定评测下的指标；端到端延迟只下降约 2 倍，已经说明 VAE、文本编码、数据搬运、调度、解码和服务排队会吞掉一部分局部优化收益。真实采购还要继续问：

因此，SQuad 真正改变的不是「模型已经便宜了」这一结论，而是供应商应该如何报成本：不能只报每个模块的 FLOPs，也不能只报一次成功生成的价格，而要把 每次有效交付的平均推理步数、失败重试、回退比例和端到端等待时间 放在同一张账单里。

同一天提交的 PersonaShot 把另一个长期被平均分数掩盖的问题拆了出来：多镜头视频里，人物的外观、身体状态、情绪和镜头关系能不能跨切保持连续。论文构建了约 1000 个多镜头片段，用 16 个指标覆盖物理连续性、情绪变化和电影语法，并在三个时间层级评估人物状态：单镜头内、镜头切换之间，以及整段序列的轨迹。作者报告称，视觉上很有吸引力的视频仍经常出现身体状态重置、情绪突然跳变和镜头关系断裂；人工研究也显示，专门评估器与专家判断具有较高一致性。5

PersonaShot 的价值不在于又增加了一个排行榜，而在于它把 Higgsfield 所说的「多场景视觉生产」变成了更具体的验收问题。企业不会只买一条单镜头样片，而会要求同一角色在广告变体、连续剧情和多轮修改中保持可用。此时，单帧美观、短片偏好分数和一次性人评都不够；采购方更需要知道：角色在第 1、3、8 个镜头是否还是同一个人，情绪是否符合脚本转折，动作和道具是否在切镜后接得上。

这也解释了为什么「一键生成多条广告」的商业叙事必须谨慎。批量生成越容易，错误越可能从一条样片扩散成一批不可交付资产。没有镜头级连续性检查，所谓规模化只是把人工挑片和返工推迟到发布前；而那时，素材已经进入字幕、配音、品牌审查和平台适配环节，返工成本反而更高。

SQuad 和 PersonaShot 看起来一个讲算力、一个讲质量，实际上指向同一个生产约束：视频模型必须在有限预算内，把更多计算留给真正会影响交付的地方。

如果所有镜头都用同样的高成本采样，系统可能浪费算力修饰不重要的帧；如果所有镜头都只追求单帧观感，系统又会把成本省在最不该省的连续性上。更合理的系统应该根据任务分配预算：预览阶段优先低成本探索，锁定角色和镜头后，把更多计算用于跨镜头身份、动作、情绪和几何关系的修复；当模型无法满足约束时，系统要能明确标记失败，而不是输出一条看似完整、实际不能剪进成片的视频。

这正是 Higgsfield 融资叙事里最需要独立验证的部分。公司可以证明自己正在把产品推向企业客户，也可以证明生成量很大；但只有当企业客户的真实工作流公开了 每个可播资产的平均成本、人工筛选时间、返工率、交付周期和续约率，市场才能判断这 54 亿美元估值买到的是内容工厂，还是一个把大量候选片段集中起来的分发入口。

8 月 17—19 日的可核验材料里，没有出现足以改变 AI 视频发布责任分配的新监管或平台政策。因此，本期不把更早的规则改写成窗口内新闻；但合规恰好能检验「持续交付」是否真的成立。

欧盟委员会当前的 AI Act 说明页写明：生成式 AI 提供者需要确保 AI 生成内容可识别，深度伪造等特定内容还应清晰、可见地标注；规则自 2026 年 8 月 2 日起进入适用和执行阶段。网信办对中国生成合成内容标识规则的官方解读，则把责任拆成源头服务提供者的显式和隐式标识、应用分发平台的前端审核等环节。两套规则的具体适用范围不同，但共同指向同一个产品事实：水印不是一个导出按钮，而是贯穿生成、编辑、转码、分发和发布的记录链。67

所以，Higgsfield 的企业化扩张、SQuad 的效率优化和 PersonaShot 的连续性评测，最后都要在发布链上会合。供应商如果只能提供「支持 AI 标识」，却无法证明标识在二次编辑、批量变体和跨平台转码后仍被保留；如果只能提供平均加速，却无法记录某一条成片使用了什么模型、什么版本、多少次重试；那它交付的仍然不是可审计的内容资产。

这张表的重点是把局部成绩改写成交付指标。SQuad 的局部 FLOPs、PersonaShot 的评测维度和 Higgsfield 的企业客户口径，分别回答了一个问题，但没有任何一项单独回答「一条能发布、能修改、能复核的成片到底要付出什么」。

过去两天的信号并没有证明 AI 视频已经进入低成本规模化生产，反而把规模化最难的三件事照得更亮：算力要能持续，镜头要能接上，发布要能留下证据。

Higgsfield 的 4 亿美元融资说明资本愿意为企业内容入口下注；SQuad 说明模型内部仍有可观的推理预算可以重做；PersonaShot 则说明，单镜头时代惯用的质量分数不足以验收多镜头叙事。下一阶段真正的分水岭，不是哪个公司能生成更多视频，而是谁能把 每次迭代成本、跨镜头失败率和发布证据链 一起交付。

如果这三项还不能同时被测量，AI 视频仍然更像一台高速生产候选片段的机器，而不是企业可以放心接入的内容生产系统。