Sand.ai 融资 2 亿美元,视频基础模型才是真正的产品

11 月 5 日,中国视频基础模型公司 Sand.ai 宣布完成 2 亿美元 A+ 轮融资,由 CAS Capital 和 Wangsu Data Technology 领投,China Time Capital、Guofang Capital、Green Pine Capital 等参投。这是该公司今年完成的第三轮融资,使十个月内的融资总额达到 3 亿美元,也正式将 Sand.ai 送入独角兽行列。
融资额是新闻标题。更有趣的是,公司用前两轮融资一直在打造的东西:MAGI-2 Preview,一个开放权重的视频模型,将音频、视频和文本视为同一个问题,而不是三个独立问题。
一个 Transformer 处理三种模态
MAGI-2 Preview 被描述为一个统一的音视频生成模型。文本、视频和音频都进入同一个 Transformer,并通过每一层的自注意力持续交换信息。该架构将 3,072 维的隐藏状态拆分为 12 个 256 维的头,让它们经过 36 层多头混合专家(MoE)网络,并为每个头配置 256 个专家、每个头选择 6 个。最终,一个 token 总共会激活 72 个小专家。
共享专家处理各模态的共性,模态特定专家处理它们的差异。围绕这一架构,还有自研 MoE 内核库 MagiMoE,以及为训练和推理路径构建的分布式优化器 MagiMuon。
Sand.ai 将其作为首批同等规模、以开放权重发布的视频基础模型之一,定价也颇具进攻性:一段 10 秒 1080p 视频约 0.5 元人民币。公司还推出了自回归视频生成模型 MAGI-1 和 MagiHuman,二者均为开源。据报道,其消费级产品 VidMuse 在上线两个月后年化经常性收入突破 1000 万美元。
这一演进顺序很重要。MAGI-1 是自回归模型,MAGI-2 Preview 转向混合专家扩散架构,而下一个版本 MAGI-2 final 被描述为该 MoE 架构的更大版本。这是一家实验室在探索扩展路径的过程中同步发布检查点,与那些锁住权重、只卖 API 调用的公司姿态不同。
为什么视频市场值这么多钱
看看需求到底在哪里。快手报告称,可灵 AI 在 2026 年第二季度收入为 8.5 亿元人民币,同比增长超过 200%,全球用户超过 1 亿。字节跳动的 Seedance 2.5 在 Artificial Analysis 视频竞技场的 20 个类别中领先 13 个,而 OpenAI 已经关停 Sora 的应用和 API。谷歌在 10 月将开发者从 Veo 3.1 Preview 端点迁走,并引导他们转向 Gemini Omni Flash。
与此同时,价格正在崩塌。阿里巴巴对 Wan 3.0 推出约 30% 的促销,使 1080p 价格降至约每秒 0.14 美元。在 OpenRouter 上,字节跳动占据视频请求量的 26.1%,HeyGen 占 19.7%,谷歌占 18.5%。TBC 的 mischief 1 是 Wan 2.2 的衍生模型,主打每秒半美分,上线当周环比暴涨 481%。
当单价趋近于零,价值会转移到拥有基础模型的一方。能够在边际成本上训练并提供视频生成服务的公司,将吃下其他人目前从谷歌、字节跳动和阿里巴巴租用服务所产生的规模。
为什么统一音视频在商业上很重要
用一个 Transformer 处理音频和视频,可以减少制作环节,这正是要构建这种模型的原因。
如今制作一支产品广告的标准流程是这样的:生成画面、生成或录制人声、剪配音乐、混音,再把口型与对白对齐。其中每一步都是独立工具,各有成本和失败模式,而对齐环节正是项目卡住的地方。当模型在生成画面的同一次处理中同时生成对白、环境声和动作音效时,口型同步就成为生成本身的属性,而不是事后进行的编辑。
如今这一赛道的每家厂商都声称具备这种能力,而它决定了 AI 视频能否承载口播产品讲解或品牌故事广告。这也是统一架构在理论上优势最明显的能力,因为模型不必用文本来描述声音、再指望画面与之匹配。
Sand.ai 的 MAGI-1 是自回归模型,MAGI-2 Preview 转向基于扩散的混合专家架构。两者都已发布,这意味着任何人都可以观察生成质量在序列模型与并行模型之间如何变化,以及架构改变后音频同步会发生什么。
它与其他方案相比如何
与其看宣传,不如比较价格点。阿里巴巴的 Wan 3.0 在 480p、720p 和 1080p 下分别约为每秒 0.3 元、0.6 元和 1.2 元,约 30% 的促销使其在转售渠道上 1080p 降至每秒 0.14 美元。MiniMax 在 8 月开源了 H3-Base,支持 2K 输出、15 秒片段和原生立体声,定价约为同类旗舰模型的三分之一。TaoMate-H3 是阿里巴巴电商侧的开源项目,走得更远,把首段生成耗时而非每秒价格作为核心指标。
上述每一个动作都是在攻击同一个成本项。Sand.ai 十秒 1080p 视频 0.5 元的价格处于这一区间之内,而不是低于区间,这表明其策略是广度与开放,而不是与拥有阿里巴巴级基础设施的公司打一场赢不了的价格战。
令人不安的问题
这些都没有经过独立验证。Sand.ai 自己报告 ARR 和融资规模,而买家真正关心的 PresentBench 式对比通常由厂商发布。MAGI-2 架构确实有趣,但一个每 token 激活 72 个小专家的统一音视频 Transformer 训练成本也很高,而公司是用融来的钱而不是赚来的收入来支撑这些投入。
还有一个值得关注的许可角度。2026 年发布的几款中国开源视频模型带有将美国排除在商业使用之外的条款,这会将西方开发者推向闭源替代方案,也让任何开放生态叙事变得复杂。Sand.ai 现有的开源发布似乎遵循更标准的宽松许可路径,这也是其点名投资者超额认购本轮融资的部分原因。
而商业产品是值得关注的部分。VidMuse 在上线两个月后达到 1000 万美元 ARR,这是一个真实数字,但视频创作平台往往靠一次性营销活动增长,一旦新鲜感消退就会趋于平缓。开放模型让公司具备持久性;应用则为研究提供资金。
接下来值得关注什么
MAGI-2 final 被描述为即将发布,拥有更大的 MoE 和相同的统一音视频设计。如果它能在保持十秒 1080p 视频 0.5 元价格的同时,支持更长片段和更好的口型同步,那么对于任何预算有限、正在构建视频产品的人来说,这个模型都会成为一个可行的训练目标。
尤其要关注三件事。权重是否真的以宽松许可证发布。当片段包含对白时,音轨是否经得起考验,因为原生音频如今已是这一赛道的基本门槛。以及 VidMuse 的收入能否在发布季度之后继续攀升,还是会跟随这个市场中每个平台都在搭乘的 AI 视频支出总体曲线。
就目前而言,有用的结论比融资标题更简单。Sand.ai 正在以开放社区期望实验室构建模型的方式来构建视频基础模型:发布检查点、公布架构细节、在价格上竞争,并销售托管版本为下一轮研发提供资金。