← Zurück zum Blog
Newsca. 7 Min. Lesezeit

Sand.ai sammelt 200 Millionen Dollar ein. Das eigentliche Produkt ist sein Video-Basismodell.

Veröffentlicht 7. Nov. 2026
Sand.ai sammelt 200 Millionen Dollar ein. Das eigentliche Produkt ist sein Video-Basismodell.

Am 5. November kündigte Sand.ai, das chinesische Unternehmen für Video-Foundation-Modelle, eine Serie-A+-Runde über 200 Millionen Dollar an, angeführt von CAS Capital und Wangsu Data Technology, mit Beteiligung von China Time Capital, Guofang Capital, Green Pine Capital und weiteren. Es ist die dritte Runde des Unternehmens in diesem Jahr, womit sich die Summe über zehn Monate auf 300 Millionen Dollar beläuft, und es macht Sand.ai offiziell zu einem Einhorn.

Das Geld ist die Schlagzeile. Interessanter ist, was das Unternehmen mit den beiden vorherigen Runden aufgebaut hat: MAGI-2 Preview, ein Open-Weight-Videomodell, das Audio, Video und Text als ein Problem behandelt statt als drei.

Ein Transformer für drei Modalitäten

MAGI-2 Preview wird als einheitliches Audio-Video-Generierungsmodell beschrieben. Text, Video und Audio gelangen alle in denselben Transformer, und Informationen werden in jeder Schicht kontinuierlich über Self-Attention ausgetauscht. Die Architektur teilt einen 3.072-dimensionalen Hidden State in 12 Heads mit 256 Dimensionen auf, führt sie durch 36 Schichten eines Multi-Head-Mixture-of-Experts und gibt jedem Head 256 Experten, von denen sechs pro Head ausgewählt werden. Ein Token aktiviert letztlich insgesamt 72 kleine Experten.

Gemeinsame Experten übernehmen, was die Modalitäten gemeinsam haben. Modalitätsspezifische Experten übernehmen, was sie nicht gemeinsam haben. Darum herum stehen MagiMoE, eine maßgeschneiderte MoE-Kernel-Bibliothek, und MagiMuon, ein verteilter Optimizer, der für den Trainings- und Inferenzpfad entwickelt wurde.

Sand.ai hat es als eines der ersten Videobasismodelle seiner Größe unter offenen Gewichten veröffentlicht, und die Preisgestaltung war aggressiv: rund 0,5 Yuan für einen zehnsekündigen 1080p-Clip. Das Unternehmen hat außerdem MAGI-1, ein autoregressives Videogenerierungsmodell, und MagiHuman veröffentlicht, beide Open Source. Sein Verbraucherprodukt VidMuse soll zwei Monate nach dem Start 10 Millionen Dollar annualisierte wiederkehrende Umsätze überschritten haben.

Diese Abfolge ist wichtig. MAGI-1 war autoregressiv, MAGI-2 Preview wechselte zu einem Diffusions-Mixture-of-Experts-Design, und der nächste Release, MAGI-2 final, wird als größere Version dieser MoE-Architektur beschrieben. Hier arbeitet ein Labor einen Skalierungspfad durch und veröffentlicht unterwegs die Checkpoints – eine andere Haltung als bei Unternehmen, die ihre Gewichte unter Verschluss halten und API-Aufrufe verkaufen.

Warum der Videomarkt diese Art von Geld wert ist

Schauen wir darauf, wo die Nachfrage tatsächlich liegt. Kuaishou meldete für das zweite Quartal 2026 einen Kling-AI-Umsatz von 850 Millionen RMB, mehr als 200 Prozent Jahr für Jahr, mit weltweit über 100 Millionen Nutzern. ByteDances Seedance 2.5 führt in 13 von 20 Kategorien in der Video-Arena von Artificial Analysis, und OpenAI hat Sora bereits abgeschaltet, sowohl die App als auch die API. Google hat im Oktober Entwickler vom Veo-3.1-Preview-Endpunkt weggeführt und sie auf Gemini Omni Flash verwiesen.

Unterdessen fallen die Preise. Alibaba fährt eine etwa 30-prozentige Aktion für Wan 3.0, wodurch 1080p bei ungefähr 0,14 Dollar pro Sekunde liegt. Auf OpenRouter hält ByteDance 26,1 Prozent der Videoanfragen, HeyGen 19,7 Prozent, Google 18,5 Prozent. TBCs mischief 1, ein Wan-2.2-Derivat, das mit einem halben Cent pro Sekunde beworben wird, legte zum Start im Wochenvergleich um 481 Prozent zu.

Wenn die Stückpreise gegen null fallen, wandert das Geld zu dem, der das Basismodell besitzt. Ein Unternehmen, das Videogenerierung zu Grenzkosten trainieren und bereitstellen kann, erfasst das Volumen, das alle anderen von Google, ByteDance und Alibaba mieten.

Warum einheitliches Audio-Video kommerziell wichtig ist

Ein Transformer für Audio und Video beseitigt Produktionsschritte, und das ist der Grund, einen zu bauen.

Die Standard-Pipeline für einen Produktspot sieht heute so aus: Bild generieren, Stimme generieren oder aufnehmen, Musik schneiden, mischen und Lippen an den Dialog anpassen. Jeder dieser Schritte ist ein separates Werkzeug mit eigenen Kosten und eigenen Fehlerarten, und der Abgleich ist der Punkt, an dem Projekte steckenbleiben. Wenn ein Modell Dialog, Raumklang und Aktionsgeräusche im selben Durchlauf wie das Bild erzeugt, ist Lippensynchronität eine Eigenschaft der Generierung und keine nachträgliche Bearbeitung.

Jeder Anbieter in dieser Kategorie beansprucht diese Fähigkeit inzwischen, und sie entscheidet darüber, ob KI-Video einen Talking-Head-Produkterklärer oder einen Marken-Story-Spot tragen kann. Es ist außerdem die Fähigkeit, bei der eine einheitliche Architektur den klarsten theoretischen Vorteil hat, da das Modell Klang nicht in Text beschreiben und hoffen muss, dass das Bild dazu passt.

Sand.ais MAGI-1 war autoregressiv. MAGI-2 Preview wechselte zu einem diffusionsbasierten Mixture of Experts. Beide wurden veröffentlicht, sodass jeder sehen kann, wie sich die Generierungsqualität zwischen einem sequenziellen und einem parallelen Modell verändert und was mit der Audio-Synchronisation passiert, wenn sich die Architektur ändert.

Wie es im Vergleich zum Rest des Feldes abschneidet

Vergleichen Sie die Preispunkte statt der Behauptungen. Alibaba betreibt Wan 3.0 bei etwa 0,3, 0,6 und 1,2 Yuan pro Sekunde in 480p, 720p und 1080p, mit einer ungefähr 30-prozentigen Aktion, die 1080p auf Wiederverkaufswegen auf 0,14 Dollar pro Sekunde drückt. MiniMax veröffentlichte H3-Base im August als Open Source mit 2K-Ausgabe, 15-Sekunden-Clips und nativem Stereo und bepreiste es bei ungefähr einem Drittel vergleichbarer Flaggschiffmodelle. TaoMate-H3, eine Open-Source-Initiative aus dem Commerce-Bereich von Alibaba, ging weiter und machte Time-to-first-Segment statt Preis pro Sekunde zur wichtigsten Kennzahl.

Jede dieser Initiativen ist ein Angriff auf dieselbe Kostenposition. Sand.ais 0,5 Yuan für einen zehnsekündigen 1080p-Clip liegt innerhalb dieses Bands statt darunter, was nahelegt, dass die Strategie Breite und Offenheit ist und nicht ein Preiskrieg, den es gegen ein Unternehmen mit Alibabas Infrastruktur nicht gewinnen kann.

Die unbequemen Fragen

Nichts davon ist unabhängig verifiziert. Sand.ai meldet seinen eigenen ARR und seine eigene Rundengröße, und die PresentBench-artigen Vergleiche, die für Käufer zählen, werden üblicherweise von Anbietern veröffentlicht. Die MAGI-2-Architektur ist wirklich interessant, aber ein einheitlicher Audio-Video-Transformer mit 72 aktivierten kleinen Experten pro Token ist auch teuer im Training, und das Unternehmen finanziert das mit eingeworbenem Geld statt mit erwirtschaftetem Umsatz.

Auch ein Lizenzaspekt ist beobachtenswert. Mehrere chinesische offene Videomodelle kamen 2026 mit Bedingungen auf den Markt, die die USA von der kommerziellen Nutzung ausschließen, was westliche Entwickler zu geschlossenen Alternativen drängt und die Erzählung eines offenen Ökosystems verkompliziert. Sand.ais bestehende offene Releases scheinen dem üblicheren permissiven Weg zu folgen, was dazu beiträgt, dass die Runde von den genannten Investoren überzeichnet war.

Und das kommerzielle Produkt ist der Teil, den man beobachten sollte. Dass VidMuse zwei Monate nach dem Start 10 Millionen Dollar ARR erreicht, ist eine echte Zahl, aber Videokreationsplattformen neigen dazu, mit Einmalkampagnen zu wachsen und dann abzuflachen, sobald der Neuheitseffekt nachlässt. Das offene Modell ist das, was das Unternehmen langlebig macht; die App finanziert die Forschung.

Was als Nächstes zu beobachten ist

MAGI-2 final wird als unmittelbar bevorstehend beschrieben, mit einem größeren MoE und demselben einheitlichen Audio-Video-Design. Wenn es den Preis von 0,5 Yuan pro zehnsekündigem 1080p-Clip hält und gleichzeitig längere Clips und bessere Lippensynchronisation bietet, wird das Modell zu einem plausiblen Trainingsziel für alle, die Videoprodukte mit begrenztem Budget bauen.

Beobachten Sie insbesondere drei Dinge. Ob die Gewichte tatsächlich unter einer permissiven Lizenz ausgeliefert werden. Ob die Audiospur standhält, wenn ein Clip Dialog enthält, da natives Audio in dieser Kategorie inzwischen Standard ist. Und ob VidMuses Umsatz nach dem Startquartal weiter steigt oder ob er der allgemeinen Ausgabenkurve für KI-Video folgt, auf der jede Plattform in diesem Markt reitet.

Vorerst ist die nützliche Erkenntnis einfacher als die Finanzierungs-Schlagzeile. Sand.ai baut Videobasismodelle so, wie die Open-Community erwartet, dass Labore sie bauen: Checkpoints veröffentlichen, Architekturdetails veröffentlichen, über den Preis konkurrieren und die gehostete Version verkaufen, um die nächste zu finanzieren.

Verwandte Artikel