👁 247 次阅读
2026年8月第一周，全球AI行业迎来多项重磅进展。字节跳动发布新一代视频生成模型Seedance 2.5，首次实现30秒单次长视频生成；MIT斯隆管理学院发布大规模研究，证实AI提供的理财建议质量超出预期；AI领域还出现了一种名为”探索性建模”（Explorative Modeling）的全新生成范式，有望成为继参数规模和数据规模之后的第三预训练轴。以下为本期行业资讯详细解读。
一、字节跳动Seedance 2.5：视频生成迈入”一镜到底”时代
8月初，字节跳动Seed团队正式发布Seedance 2.5视频生成模型，这标志着AI视频生成从”生成片段”向”完成创作”的关键跃迁。与上一代Seedance 2.0相比，2.5版本在三个维度实现了重大突破。
单次生成30秒，支持多轮扩展
Seedance 2.5最引人注目的升级是单次生成时长从15秒翻倍至30秒，并支持多轮扩展。这意味着用户可以在一次生成中完成包含起承转合的完整叙事，而非仅仅延长单一镜头。例如，模型可以生成一段歌手从后台化妆间、穿过走廊、与舞者互动、最终登台演出的完整一镜到底视频，镜头切换自然流畅，主体保持高度一致。
官方展示的案例中，Seedance 2.5甚至能生成长达数分钟的连贯视频，主角、环境和叙事节奏在多轮扩展中保持稳定，大幅减少了传统AI视频制作中需要反复剪辑、拼接和修复转场的工作量。
多模态参考全面升级
在参考能力方面，Seedance 2.5支持单次输入最多30张图片、10个视频片段和10个音频片段作为参考素材。模型能够综合理解所有素材的视觉构图、场景风格、角色形象和道具细节，并将其应用于生成过程。即使在多角色群戏、群体叙事等复杂场景中，也能保持多个人物的外貌和声音稳定性。
此外，模型还强化了黏土渲染参考、动作参考和创意参考等特定能力，让用户对画面中的主体、动作和运镜方式实现更精细的控制。例如，通过黏土渲染参考，用户可以用无纹理3D模型构建场景空间结构，模型据此生成符合物理规律的真实光照效果。
时间戳级精确编辑
Seedance 2.5支持基于时间戳的精确内容编辑。在生成阶段，用户可以通过提示词控制特定时间段内的叙事、运镜和节奏；在生成后，可以对特定片段中的角色、动作或情节元素进行定向修改，同时保持编辑前后的连贯性和真实感。
这一能力使得AI视频生成真正具备了进入电影、广告等专业领域的条件。目前Seedance 2.5已在即梦AI、豆包Pro等平台上线，API即将通过BytePlus ModelArk开放。
二、MIT斯隆研究：AI理财建议质量超预期，但提示词决定成败
麻省理工学院斯隆管理学院发布了一项重磅研究，首次大规模量化评估大型语言模型（LLM）提供的理财建议质量。研究由Taha Choukhmane教授领衔，测试了GPT-5.2、GPT-5.6和Gemini 3 Flash三款模型，样本覆盖1000名成年人从22岁到89岁的完整生命周期模拟。
核心发现一：AI推动理性财务行为
研究发现，AI给出的理财建议比学者预期的要好，无论提示词是普通用户写的还是学术研究人员写的。AI建议引导人们提高储蓄率、增加股市参与，并推荐充分分散的投资组合和与年龄匹配的风险承受能力。研究合著者Choukhmane表示：”我们有些惊讶于建议的质量之高——尤其是考虑到普通用户提问的方式，它并不必然与学术界的良好财务原则对齐。”
核心发现二：提示词质量影响巨大，结构化提问可显著改善
当研究人员使用更详细、结构化的”学术提示词”时，AI的表现显著提升。学术提示词会明确告知模型假设条件，如正常预期寿命、生活支出、退休年龄、就业风险等。相比之下，普通用户常问”我该用50美元起步、每月追加25美元投在哪里？”这类简单问题，AI给出的建议也相应地偏向简单的经验法则。
然而AI在精细调整方面仍有不足：它倾向于依赖简单的储蓄和支出经验法则，在应对失业等冲击时调整不够——即使有储蓄，AI也会建议失业者过度削减开支。此外，AI允许投资组合自然漂移，而非主动进行再平衡。
核心发现三：AI建议因人而异，可能导致财富差距
研究揭示了AI建议存在显著的群体差异。男性、高金融素养用户或有AI使用经验者写的提示词，获得的AI建议带来了约5%的退休财富增量。具体而言：
- AI对男性回答时推荐了更高的股票配置，对女性则更为保守，到60岁时累积财富差距约5万美元（4%）
- 没有AI理财经验的人获得的建议储蓄率更低，到60岁时财富差距近10万美元（6%）
这种差异约三分之二源于用户提问方式不同，三分之一源于模型在看到不同性别标签时改变了建议内容。研究建议，用户可以将AI作为理财知识的入门工具，同时配合专业理财顾问使用，以获得最佳效果。该研究获得了瑞士金融研究所2026年度杰出论文奖。
三、探索性建模（XM）：AI生成领域的第三预训练轴
研究员Alexi Gladstone提出的”探索性建模”（Explorative Modeling）正在引发学术界关注。这一新范式被描述为”继参数规模和数据规模之后的第三预训练轴”，声称能从根本上改变生成式AI的训练方式。
解决”平均化模糊”的核心问题
当前生成式模型面临的核心挑战是”平均化模糊”问题：当模型被要求直接预测一个有多种正确答案的任务时（如”生成一张狗的图像”），最优的单一预测是所有有效答案的”平均”，而”平均狗”看起来就是一团棕色的模糊。现有的解决方案（如自回归和扩散模型）通过将生成过程拆解为多个小步骤，使每一步只有少量有效答案，从而避免平均化。
探索性建模则提出了不同的思路：不在生成阶段做拆分，而是在训练阶段让模型做多次”猜测”，只训练其中最佳的那次匹配。在训练时，模型对每个输入探索K种可能的生成结果，只对最佳匹配进行梯度更新。实验表明，K值越大，模型生成的多样性越高。
关键性能数据
论文报告了令人瞩目的性能提升：探索性模型在ImageNet 256上达到6.2倍数据效率和4.1倍FLOP效率，参数效率提升47%。更关键的是，随着数据规模扩大，性能增益从7%提升至36%；随着模型规模扩大，增益从13%提升至23%。这意味着探索性建模的收益会随着规模增长而放大，与当前算力投入持续增长的行业趋势高度契合。
研究还发现，探索性建模能有效改善泛化能力——在固定数据集上，探索性更强的模型过拟合更少、性能更优（最佳FVD 30.0对比常规模型的37.5）。随着数据成为大模型训练的主要瓶颈，这一特性尤为重要。
四、行业观察与趋势展望
回顾本周AI行业动态，可以清晰看到几个趋势：
第一，视频生成进入”专业创作”阶段。Seedance 2.5的发布表明，AI视频生成已从”能生成”迈入”能创作”的阶段。30秒单次生成、多模态参考、精确编辑等能力，让AI视频工具真正具备了进入影视、广告、教育等专业领域的基础。字节跳动选择在即梦AI和豆包Pro上优先开放，也说明C端消费级市场是当前的重点发力方向。
第二，AI金融应用从”新奇”走向”实用”。MIT的研究证实，AI理财建议在推动储蓄、分散投资、年龄风险管理等方面表现优异，特别适合缺乏资金聘请专业理财顾问的普通用户。但研究也警示了AI建议的群体偏差问题，这一问题需要行业共同面对和解决。
第三，AI基础研究仍在加速。探索性建模的提出，表明AI生成领域还未触及天花板。如果”第三预训练轴”的假设成立，意味着即使参数规模和训练数据不再增长，仅通过改变训练目标就能持续提升模型性能，这对整个行业的发展路径具有深远影响。
综合来看，2026年8月的AI行业正处于”应用深化”与”基础突破”并行的阶段。视频生成、金融咨询等垂直领域正在快速落地，而基础研究层面的新范式探索也在持续推进。对于从业者和关注者而言，这是一个需要持续跟踪、深度理解的关键时期。
以上是本期的AI行业资讯汇总。我们将持续关注行业动态，为读者带来最新、最深度的分析报道。