做分镜的时候体会最深：静态出一张惊艳的图很容易，让镜头连续运动十几秒还不穿帮、不变形，才是真难。所以“视频生成不会出现DeepSeek时刻”这个判断，我基本认同。
文本模型能靠一个巧思把成本打下来，是因为它处理的本质上是离散token，蒸馏和架构优化的空间都大。视频多压了一整条时间维度，前后连贯、物理运动合不合理、多帧一致，哪个都得管。光是数据和算力的门槛就摆在那，不是换个训练技巧就能一夜追平的。
我不太指望突然冒出个又便宜又强的开源视频模型把格局掀了，更可能还是一线几家慢慢磨。
别说太死，蒸馏那套在视频上也有人在试
蹲一个反对意见