视频模型的下一个 Bet
Chat 之后是 Coding，单次视频生成之后是什么？
最近读到一篇 36 氪文章——《智谱，害怕成为下一个 MiniMax》。
文章提到，2025 年初，当行业还在讨论 DeepSeek 带来的推理革命时，智谱已经开始把研发重心从通用聊天转向 Coding。
唐杰后来把判断概括为：“DeepSeek R1 出现之后，Chat 范式已经基本结束。”下一代模型的竞争力，不再只看谁聊天更像人，而看谁能真正完成工作。
现在回头看，智谱押中的那个 Bet，正是 Coding。
这也让我开始重新思考一个问题：
如果 Coding 是语言模型在 Chatbot 之后找到的下一条价值曲线，那么视频模型的下一个 Bet 是什么？
我的答案逐渐变得清晰：
不是生成一条更漂亮的视频，而是让视频成为一种可执行、可修改、可验证、可批量生产的世界程序。
而这个世界程序的核心中间表示，不是更长的 Prompt，也不只是 Layout，而是：
初始世界状态 + 事件流
这个答案分成上下两篇展开：上篇讲它从哪里来，下篇讲它意味着什么。
一个故事结束，不代表需求消失
“Chatbot 的故事结束了”，并不是说人们不再使用聊天机器人。它所指的是：“通用聊天界面 + 通用模型能力”不再具有足够的稀缺性和溢价。
DeepSeek 所划下的，是一条能力商品化的斩杀线。当一种能力同时满足几个条件：
- 质量已经足够可用
- 供应者迅速增加
- 调用价格持续下降
- 产品接口高度标准化
它就会从“值得单独讲述的商业故事”，变成所有产品都可以调用的基础设施。
对话仍然重要，但很难再仅凭“我们有一个更好的 Chatbot”成立一家高估值公司。
所以，Bet 不是预测哪个模型下个月登顶。Bet 是对“下一项不会立刻被商品化的稀缺能力”做出资源承诺。
更完整地说：Bet 是在高度不确定的竞争中，把有限的人力、算力和组织注意力，集中投向一个高潜力、可验证、能够形成规模化回报的假设。
它押的不是今天最有价值的东西，而是明天价值变化率最大的东西。
为什么是 Coding？
Coding 表面上是“让模型写代码”，但关键不只在写代码本身，还在后面的三层。
第一，Coding 是最早拥有 Ground Truth 的开放领域
代码能不能运行、测试是否通过、编译有没有报错，是相对客观的。模型第一次可以形成完整闭环：
Chatbot 的回答往往没有唯一正确答案，代码却可以被环境直接检验。
第二，代码是可执行的推理
Chatbot 输出的是一段话；Coding Agent 输出的是一次真实的状态改变：修改文件、运行程序、操作数据库、部署服务。
从这个意义上说，Coding 并不是一个普通垂直领域，而是 LLM 从“会说”走向“会做”的第一个训练场。
第三，Coding 是可以规模化交付的产品
它有高频需求，有明确的付费者，有可以量化的 ROI，也有持续回流的真实任务轨迹。产品不需要为每个客户重新做一遍项目，而是可以在同一个 Agent 系统中不断复用。
因此，Coding 押中的不只是代码，而是：高频刚需 × 可执行环境 × 自动验证 × 数据飞轮。
这四件事构成了 Agent 商业化最重要的闭环。
真正的 Bet，往往是对“中间层”的判断
生成模型的竞争异常激烈。根据 Artificial Analysis 的 2024 年度报告，截至 2024 年 12 月，图像榜单前五名全部发布于当年第三季度之后。Recraft V3、FLUX 1.1 Pro、FLUX.1 Pro 等模型在短时间内连续改写排名。
这说明，单次生成质量的领先很难形成长期壁垒。
在这类竞争里，值得押的往往不是“比别人多生成一点细节”，而是提前判断：下一代模型应该用什么结构思考、用什么接口工作、从哪里获得反馈。
历史上至少有三类成功的 Bet：
- DiT 是架构 Bet：押注 Transformer 可以成为可扩展的视觉生成骨干。
- Coding 是反馈 Bet：押注可执行环境和自动测试可以持续提高模型能力。
- Layout 是中间表示 Bet：押注自然语言不足以精确表达视觉空间。
Reve 对 Layout 的判断尤其值得关注。自然语言虽然表达能力很强，却天然存在空间歧义。于是他们不再让语言模型只写一段更长的 Prompt，而是生成一个结构化 Layout：每个元素都有位置、面积、局部描述、颜色和引用素材。
Layout 像 HTML 之于网页、SVG 之于矢量图，让图像中的每个元素第一次变得可寻址、可修改、可复用。
这背后有一个很简单的第一性原理：图片只有空间，没有时间。一张图片中最重要的全局变量，是不同内容如何占据画面。因此，图片最值得被结构化的不是所有视觉细节，而是构图。
Layout 决定什么东西在哪里，Diffusion 决定它最终长什么样。
MiniMax H3 正在逼近视频生成的“DeepSeek 时刻”
在我看来，MiniMax H3 对单次视频生成行业的意义，正在接近 DeepSeek 对 Chatbot 的意义。
H3 将过去分散的文生视频、图生视频、首尾帧、主体参考、动作参考、视频编辑、音频生成和多镜头生成，放进了一个通用多模态生成系统，并进一步开放模型权重。
它不一定意味着视频模型竞争已经结束，但它发出了一个非常明确的信号：当高质量、带音频、多参考、可编辑的视频生成逐渐成为通用模型能力，仅仅提供“一次生成一条视频”将越来越难形成独立壁垒。
这里需要说明的是，开放权重不等于完整工作流的每一层都可以离线复现。H3 的公开模型与部分托管模块仍需分开理解，具体边界可参照其公开模型卡。
视频仍然会被大量生成，就像 Chatbot 仍然会被大量使用。但单次出片会逐渐从产品，退化为一个 Tool Call。
因此，现在更应该问的，不是哪家公司下个月能生成最惊艳的 Demo，而是：
当渲染能力被商品化以后，视频领域还剩下什么稀缺能力？
YUKI PENG · AI PRODUCT / RESEARCH / WRITING