第 7 卷

图2-1 双分支扩散变换器架构

我们可以深入拆解这两个分支的具体分工。第一个分支为空间语义重建分支，它的唯一使命就是“画皮”，即极致地还原单帧画面的真实感与

细节度。这个分支如同一位专注的油画大师，不关心时间的流逝，只聚焦于每一个像素的精准度。它通过高分辨率的视觉编码器，对人物

的面部特征、服装纹理、场景的光影层次进行像素级的建模。得益于字节跳动在抖音和TikTok上积累的海量高清视觉数据，这个分支学习到

了人类视觉的审美精髓。比如，午后阳光透过树叶在地面形成的斑驳光影，丝绸面料在运动中的光泽变化，甚至是人物微表情中眼角的一

丝细纹。实测数据显示，在这一分支的加持下，Seedance 2.0的PSNR （峰值信噪比）指标达到了32.8，远超行业平均水平，这意味着其生

成画面的清晰度和保真度已经达到了工业级标准。

第二个分支为跨帧时序动态分支，它的核心任务是“画⻣”，即精准地掌控画面之间的运动逻辑和物理规律。这个分支更像一位严谨的物理学

家兼动作导演，它不纠结于单帧的像素，而是专注于“变化”本身。它通过显式的时序建模，捕捉物体运动的轨迹、速度和加速度，确保每一

个动作都符合牛顿力学定律。例如，当生成“一个皮球从高处落下”的视频时，时序分支会严格计算重力加速度，让皮球的弹跳高度、落地形

变和滚动轨迹都与现实世界别无二致。更重要的是，这个分支引入了物理引擎约束，能够处理刚体碰撞、布料摆动、流体运动等复杂的物

理交互场景。这就解释了为什么在Seedance 2.0生成的视频中，人物奔跑时的衣摆飘动自然，两人擦肩而过时的肢体互动真实，其彻底告

别了传统AI视频中常见的“穿模”“漂浮”“瞬移”等穿帮镜头。

如果其仅仅是双分支并行，那么还不足以被称为革命。Seedance 2.0 的真正高明之处在于两个分支之间搭建了一座高效的“沟通桥梁”——自

适应注意力门控机制。这个机制就像一个智能交通枢纽，让“画皮”和 “画⻣”的两个分支能够实时交换信息、动态对齐。例如，当时序分支决

定“人物要转头微笑”时，它会立即向空间分支发送指令，空间分支则会根据转头的角度，精准调整面部的光影方向和肌肉纹理，确保微笑的

表情既符合运动轨迹，又具备真实的细节。这种动态协同，使 Seedance 2.0的生成过程不再是两个独立的步骤，而是一个有机的整

体。

这种架构上的革新直接带来了模型性能的“质变”。在权威的FVD（视频生成质量评估指标）测试中，Seedance 2.0的得分低至96.4，远优于初

代模型的118.9，这代表其生成视频的流畅度和自然度实现了巨大飞

跃。对商业应用而言，这一突破的价值不可估量。在电商领域，它能让展示视频中的商品旋转流畅、细节清晰，极大提升消费者的购买

欲；在游戏领域，它能生成符合游戏世界观的逼真动画，让角色的技能释放不再违和；在影视领域，它能制作出无须后期修补的特效镜

头，让“5秒特效镜头成本从3 000元降至3元”成为现实。

从行业竞争的角度看，双分支架构也确立了Seedance 2.0的差异化优势。以Sora为代表的物理模拟派模型，虽然在物理模拟上造诣深厚，

但往往牺牲了帧内的细节精度；而以可灵为代表的运动控制派，在短视频的流畅度上表现出色，却难以支撑长时叙事的细节稳定。

Seedance 2.0的双分支架构巧妙地融合了两者的优势，实现了“细节与流畅兼得，美学与物理统一”。

归根结底，双分支扩散变换器架构重新定义了AI视频生成的技术范式。它证明了AI视频不需要在“画质”和“流畅度”之间做取舍，科学的架

构设计完全可以实现两者的极致平衡。这一技术基石让AI终于学会了 “画皮又画⻣”，为后续的精准控制、原生音画同步和导演级叙事能力打

下了最坚实的基础。对广大创作者而言，这意味着他们终于可以放心地将创作任务交给AI，不必再为“画面崩坏”或“动作僵硬”而反复抽卡，

工业级的稳定交付从此成为可能。