Hotshot 发布文生视频模型：4 人团队训出 10 秒 720p 无水印视频

视频生成模型这条赛道上，Runway、Luma 和 Pika 正在神仙打架，连还没公开的 Sora 都在虎视眈眈。但偏偏有一家只有 4 个人的小团队，硬是杀了出来。

这家叫做 Hotshot 的初创公司刚刚上线了他们全新的文生视频模型，开启公开早期预览。你可以直接在 hotshot.co 免费体验，生成的视频没有水印，不过免费用户每天只有两次生成额度。

4 个人、4 个月和数千张暴躁的 H100

Hotshot 由 Aakash Sastry、John Mullan 和 Duncan Crawbuck 创办，他们做了 11 年消费级软件，拿到了 Alexis Ohanian、Lachy Groom 和 SV Angel 的投资。后来工程师 Chaitu Aluru 加入，团队一共就 4 个人。

他们去年还做过消费级 AI 修图软件，后来彻底放弃，转做视频模型。在这次的新模型之前，他们其实试水过两款过渡产品：开源的 Hotshot-XL 能生成 1 秒 8 帧的短视频，月活有 2 万多；接着又做了 3 秒 8 帧的 Hotshot Act-One。

这次上线的正式版模型野心大得多，能直接生成最长 10 秒、720p 分辨率的视频。整个训练只花了 4 个月，喂了 6 亿个视频片段，动用了数千张 GPU。

小团队训大模型的代价全写在白皮书里了。他们直言训练过程像在给这几千张 GPU 当全天候保姆，因为把硬件压榨到了极限，英伟达的 H100 动不动就宕机。为了盯紧这条训练流水线，有一名团队成员整整一个月过着 24 小时待命的值班生活。

技术上，团队专门训练了一个全新的自动编码器，在空间和时间两个维度上压缩视频数据，既大幅缩小了体积，又留住了训练模型所需的全部动态信息。

能生成 10 秒视频，但独角兽变成了普通马

创始人 Sastry 在 X 上展示了模型的多种风格，包括美漫画风和转描动画效果。他还放话表示，这是目前公开发布的最强同类模型，并预言未来 12 个月内，创作者就能用 AI 生成一整支完整的 YouTube 视频，连文本、视频到音频都能全流程掌控。

不过实际体验得降降温。媒体实测输入「一只独角兽穿过巴黎」，生成出来的画面确实很逼真，光影也很对味，但头上的角没了，直接变成了普通马在街头慢跑。

就目前来看，Hotshot 生成的画质、细节和分辨率，相比 Runway Gen-3 Alpha Turbo 或 Luma Dream Machine 还有肉眼可见的差距。

为什么重要

对于普通用户和内容创作者来说，Hotshot 最大的吸引力在于免费而且不打水印，生成时长直接拉到了 10 秒，比很多竞品免费给的 3 到 5 秒要慷慨。每天两张的额度虽然不多，但完全值得现在顺手玩两次，拿来做社交媒体的动图素材或视频分镜草稿很趁手。

对行业而言，这件事最大的看点在于效率神话。通常我们认为顶尖视频大模型是几百人兵团加千万美元级别烧钱的游戏，但 Hotshot 证明了只要架构设计够巧、压缩算法够狠，一个 4 人极客团队花 4 个月也能硬刚出可用产品。这会倒逼整个行业去优化工程效率，而不是单纯堆砌算力。

不过在我们看来，他们的隐患也很现实。为了抢先上线，产品在画质和复杂指令理解上明显妥协了，比如把独角兽认成马。视频生成早已过了单纯比谁能动的阶段，接下来的主战场是一致性、运镜控制和高画质。Hotshot 必须尽快补上分辨率和音频的多模态能力，否则在巨头密集迭代的夹击下，这点时间差优势很快就会被抹平。