视频生成的计算成本：生成一分钟 4K 视频要多少 GPU 时间——成本能降到多少

我最早以为，视频生成就是每秒画 24 张图。图像模型画一张图要几十秒的 GPU 时间，那一分钟视频顶多把这个数乘以 24。直到我把几个主流视频模型的论文和技术报告翻了一遍，把账真正算下来，才发现这个直觉错得离谱——视频生成不是“逐帧画画 × 24”，它是一个完全不同量级的问题。

OpenAI 在 Sora 技术报告里写过一句话，经常被当成口号引用：

我们的结果表明，扩展视频模型是通往“物理世界模拟器”的一条有希望的道路。

这句话不是比喻。它的字面意思是：为了让模型学会水花怎么溅、影子怎么拉长，OpenAI 烧掉了天文数字的 GPU。那具体是多少？一分钟 4K 视频，到底值多少 GPU 时间？

一分钟 4K 视频，在模型眼里是 1100 万个 token

先破除一个最常见的误解：视频模型不是一帧一帧画图的。它把整段视频压成一个潜空间张量，然后一次性去噪——每一帧都是和所有其他帧一起被“想”出来的。这一步决定了成本的下限。

但原始视频太大了。一分钟 4K、24fps，是 1440 帧、约 120 亿像素，没有任何 Transformer 能直接处理。所以从 Wan 2.1、HunyuanVideo 到 CogVideoX，主流视频模型都靠同一个设计吃饭：3D VAE 压缩——空间上每 8×8 像素合成一个单元，时间上每 4 帧合成一帧，再按 2×2 切 patch。账是这样算的：

项目	数值
原始视频	60 秒、24fps、3840×2160，共 1440 帧
VAE 压缩后	时间维度 1440 → 360 帧
720p 底稿的 token 数	360 × 3,600 ≈ 130 万
4K 直出的 token 数	360 × 32,400 ≈ 1170 万
参照：一次长对话的上下文	通常只有 1 万～10 万 token

1100 万 token 是什么概念？比一次 GPT-4 级长对话大两个数量级。而视频模型要在 50 步扩散里去噪这个序列——每一步都完整过一遍模型。

算账：一个 H100 烧 30～60 分钟

从 token 到 GPU 时间，可以动手算。一个 120 亿参数的 DiT（Wan 2.1 大模型和 HunyuanVideo 都是这个量级），处理 N 个 token，一步前向约需 2×参数量×N 次 FLOPs。

720p 底稿：每步约 3×10¹⁶ FLOPs，50 步是 1.6×10¹⁸。H100 的 FP8 稠密算力约 2×10¹⁵ FLOPs/s，实际利用率按 60% 算——生成的解码阶段是内存瓶颈，算力利用率没有纸面上那么理想。除一下：约 22 分钟。

如果直接拿 4K 分辨率去生成：每步约 2.8×10¹⁷ FLOPs，50 步是 1.4×10¹⁹，一块 H100 要烧 3 小时以上。所以所有实用系统都先出 720p 底稿、再做超分。算上 VAE 编解码和 4K 超分，真实答案大约是：一分钟 4K 视频 ≈ 一块 H100 工作 30～60 分钟。按云上 2～3 美元/卡时算，一次生成的算力成本是几美元。这就是 2025 年的答案。

为什么时间越长，成本涨得越快

我最早还想不通一个问题：为什么 60 秒视频不是 10 秒的 6 倍贵？直到我把注意力机制重新想了一遍。Transformer 每一层里，每个 token 都要和序列中所有其他 token “打招呼”。10 秒片段有 N 个 token，打招呼次数是 N²；序列变成 6 倍长，就是 36 倍。

所以所有模型都在想方设法砍掉这些打招呼：

空间注意力只在一帧内部做——每帧几千个 token，随便互相看；
时间注意力只允许附近几帧互相看，或者用因果结构，后面的帧只能看前面的；
没有人敢让 1170 万个 token 全量互看，那样算力还要再乘一个夸张的系数。

代价是：第 1 帧和第 1440 帧之间基本“老死不相往来”。所以你看到的大部分 AI 长视频，其实是 5～10 秒的片段拼出来的——那不是导演风格，是架构限制。

现实里没有“一口气生成的一分钟”

于是“一分钟 4K 视频”在实际产品里是一条流水线，而不是一次采样：

先用基础视频模型生成 5～10 秒片段，分辨率通常只有 720p～1080p；
再用视频超分模型把每一帧抬到 4K；
用插帧或关键帧补帧把帧率和时长凑齐；
最后拼接、调色、统一风格——后处理本身也在烧算力。

这套组合拳算下来，总成本反而比“一次性 4K 直出”低一个数量级。各家商用系统的管线细节不公开，但拆开看，里面全是工程妥协。

成本能降到多少？四个杠杆同时转

最后回答标题的后半问。我的判断是：这不是预测题，是工程题。四个杠杆同时在转：

杠杆	机制	降本倍数
步数蒸馏	把 50 步扩散蒸馏成 4～8 步，ADD、Rectified Flow 就是这个路线	6～12×
更强的 3D VAE	时间压缩从 4× 提到 8×，token 数直接减半	约 2×
特征缓存	相邻帧高度相似，复用中间层计算结果，DeepCache 这类思路正在从图像往视频迁移	1.5～2×
硬件迭代	H100 → B200，单位价格买到的算力大约翻倍	2～4×

四个杠杆叠起来，有 36 倍到约 190 倍的下降空间。三年内，“一分钟 4K 视频 = 一个 H100 小时”变成“一台消费级显卡跑几分钟”，单位成本从几美元降到几毛钱，我认为是大概率事件。

但有一个前提：模型别再变大。现实是它一定会变大——Sora 已经证明了“规模即能力”，各家会继续堆参数量。算得更快和模型更大是两股反向的力，真实降价曲线会比这张表慢。

算力会便宜，但瓶颈会转移到内存

我在本地试跑开源视频模型时，最先撞到的不是算力，而是显存不够。因为就算 FLOPs 免费，中间结果也得放得下。4K 直出时，一层 transformer 的隐藏状态是 1170 万 token × 3072 维，FP32 下约 144GB——一块 H100 只有 80GB 显存。所以长视频生成必须是多卡张量并行；一并行，通信开销就来了，利用率还要再打折。