← 返回部落格
News預計閱讀 9 分鐘

Sand.ai 募得 2 億美元,真正的產品是其影片基礎模型。

發布於 2026年11月7日
Sand.ai 募得 2 億美元,真正的產品是其影片基礎模型。

11 月 5 日,中國影片基礎模型公司 Sand.ai 宣布完成 2 億美元 A+ 輪募資,由 CAS Capital 與 Wangsu Data Technology 領投,China Time Capital、Guofang Capital、Green Pine Capital 等參與。這是該公司今年第三輪募資,使十個月內的募資總額達到 3 億美元,也讓 Sand.ai 正式躋身獨角獸行列。

募資金額是頭條新聞。更有趣的是該公司用前兩輪資金打造的東西:MAGI-2 Preview,一個開放權重的影片模型,把音訊、影片與文字視為同一個問題,而不是三個問題。

一個 Transformer 處理三種模態

MAGI-2 Preview 被描述為統一的音訊影片生成模型。文字、影片與音訊全都進入同一個 Transformer,資訊在每一層透過自注意力持續交換。此架構將 3,072 維的隱藏狀態拆成 12 個 256 維的頭,讓它們通過 36 層多頭混合專家(MoE),並為每個頭配置 256 個專家,每個頭選用其中六個。最終一個 token 總共會啟用 72 個小型專家。

共享專家處理各模態的共同之處,模態專屬專家處理不同之處。圍繞這套設計的是 MagiMoE,一套自訂的 MoE kernel 函式庫,以及 MagiMuon,一個為訓練與推論路徑打造的分散式優化器。

Sand.ai 已將其以開放權重形式發布,是同等規模首批以開放權重釋出的影片基礎模型之一,而且定價極具侵略性:10 秒 1080p 片段約 0.5 元人民幣。該公司還推出了 MAGI-1,一個自迴歸影片生成模型,以及 MagiHuman,兩者皆為開源。其消費級產品 VidMuse 據稱在上線兩個月後年化經常性收入突破 1,000 萬美元。

這個順序很重要。MAGI-1 是自迴歸模型,MAGI-2 Preview 轉向混合專家擴散設計,而下一個版本 MAGI-2 final 被描述為該 MoE 架構的更大版本。這是一家沿著擴展路徑推進、並在過程中公開檢查點的實驗室,與那些鎖住權重、只賣 API 呼叫的公司姿態不同。

為什麼影片市場值得這樣的資金

看看需求實際落在哪裡。快手公布 Kling AI 在 2026 年第二季營收為人民幣 8.5 億元,年增超過 200%,全球用戶突破 1 億。位元組跳動的 Seedance 2.5 在 Artificial Analysis 的影片競技場中領先 20 個類別中的 13 個,而 OpenAI 已經關閉 Sora,包括應用程式與 API。Google 在 10 月將開發者從 Veo 3.1 Preview 端點遷移,轉向 Gemini Omni Flash。

與此同時,價格正在崩跌。阿里巴巴對 Wan 3.0 推出約 30% 的促銷,使 1080p 價格降至每秒約 0.14 美元。在 OpenRouter 上,位元組跳動占影片請求的 26.1%,HeyGen 占 19.7%,Google 占 18.5%。TBC 的 mischief 1 是 Wan 2.2 的衍生模型,主打每秒半美分,一上線就較前一週暴增 481%。

當單位價格趨近於零,金錢就會流向擁有基礎模型的一方。一家能以邊際成本訓練並提供影片生成服務的公司,將能承接其他人向 Google、位元組跳動與阿里巴巴租用的用量。

為什麼統一的音訊影片在商業上很重要

用一個 Transformer 處理音訊與影片能移除製作步驟,而這正是打造它的理由。

今日產品廣告的標準流程是這樣:生成畫面、生成或錄製旁白、剪音樂、混音,並讓嘴型與對白對齊。上述每一步都是獨立工具,各有自己的成本與失敗模式,而對齊這一步正是專案卡住的地方。當模型在生成影像的同一輪產出對白、環境音與動作音效,唇形同步就成為生成本身的屬性,而不是事後進行的剪輯。

這個類別的每家廠商現在都宣稱具備這項能力,而它決定了 AI 影片能否承載真人對口型的產品解說,或品牌故事廣告。這也是統一架構在理論上具有最明顯優勢的能力,因為模型不必用文字描述聲音,再指望畫面能與之匹配。

Sand.ai 的 MAGI-1 是自迴歸模型。MAGI-2 Preview 轉向基於擴散的混合專家架構。兩者都已發布,意味著任何人都能看到生成品質在序列模型與平行模型之間如何變化,以及架構改變時音訊同步會發生什麼事。

它與其他競爭者相比如何

比較價格點,而不是宣稱。阿里巴巴的 Wan 3.0 在 480p、720p 與 1080p 下約為每秒 0.3、0.6 與 1.2 元人民幣,並有約 30% 的促銷,使 1080p 在轉售通路上降至每秒 0.14 美元。MiniMax 在 8 月開源 H3-Base,支援 2K 輸出、15 秒片段與原生立體聲,定價約為同級旗艦模型的三分之一。TaoMate-H3 是阿里巴巴電商側的開源專案,更進一步把首段生成時間作為主打指標,而不是每秒價格。

上述每一項都是對同一個成本項目的攻擊。Sand.ai 的 10 秒 1080p 片段 0.5 元人民幣落在這個區間內,而不是低於它,這暗示其策略是廣度與開放性,而不是打一場它無法對抗阿里巴巴基礎設施的價格戰。

令人不安的問題

這些都未經獨立驗證。Sand.ai 自行公布其 ARR 與募資輪規模,而對買家真正重要的 PresentBench 式比較,通常由廠商自行發布。MAGI-2 架構確實有趣,但一個每個 token 啟用 72 個小型專家的統一音訊影片 Transformer,訓練成本也很高,而公司是用募來的錢而非賺來的營收來支應。

還有一個值得關注的授權角度。2026 年推出的幾款中國開放影片模型,其條款將美國排除在商業使用之外,這會把西方開發者推向封閉替代方案,也使任何開放生態系的故事更加複雜。Sand.ai 現有的開放釋出似乎遵循較標準的寬鬆路徑,這也是本輪獲其列名投資人超額認購的原因之一。

而商業產品是值得觀察的部分。VidMuse 在上線兩個月後達到 1,000 萬美元 ARR 是真實數字,但影片創作平台往往靠一次性活動成長,等新鮮感消退後就趨於平緩。開放模型是讓公司持久的關鍵;應用程式則是資助研究的來源。

接下來要關注什麼

MAGI-2 final 據稱即將推出,將有更大的 MoE 與相同的統一音訊影片設計。如果它維持 10 秒 1080p 人民幣 0.5 元的價格,同時推進更長片段與更好的唇形同步,這個模型就會成為任何預算有限的影片產品開發者可行的訓練目標。

特別留意三件事。權重是否真的以寬鬆授權發布。當片段包含對白時,音軌是否站得住腳,因為原生音訊在這個類別已是基本門檻。以及 VidMuse 的營收在上市季度之後是否持續攀升,還是會跟隨這個市場中每個平台都在搭乘的一般 AI 影片支出曲線。

目前,有用的重點比募資標題更簡單。Sand.ai 正以開放社群期待實驗室打造模型的方式來建構影片基礎模型:發布檢查點、公布架構細節、在價格上競爭,並銷售託管版本來資助下一代模型。

相關文章