各模型的数据配方与供应商

一句话结论

1. 只有一小撮模型写了数据账：中国是开源阵营（阿里通义万相 Wan（2.1 / 2.2 / 2.5）、腾讯 HunyuanVideo（1 / 1.5）、阶跃 Step-Video-T2V、Sand AI MAGI-1、智谱 CogVideoX、昆仑万维 SkyReels（V2 / A2）、Open-Sora（2.0））加字节 字节 Seaweed-7B / 字节 Waver / 字节 Seedance（1.0 / 2.0）与即梦 1.0；美国只有 Meta Movie Gen（O(100)M 视频）、NVIDIA Cosmos 世界基础模型（20M 小时→约 1 亿 clip）、Stability Stable Video Diffusion（LVD）（5.8 亿 clip）三份可核验的一手文档 [1][2][3][4]。
2. 管线同构，规模差一个数量级：切镜→去水印字幕→美学/运动/OCR 过滤→嵌入去重与聚类重采样→自训 VLM 密集 caption。已披露规模从 智谱 CogVideoX 约 35M 片段、字节 Seaweed-7B 约 100M 片段，到 腾讯 HunyuanVideo（1 / 1.5） 1.5 约 8 亿片段（原始 >1000 万小时）[5][6]。
3. 来源几乎不点名：中国仅 昆仑万维 SkyReels（V2 / A2）（自采 28 万+电影、80 万+剧集，约 620 万小时，授权状态未披露）、阿里通义万相 Wan（2.1 / 2.2 / 2.5）（"内部版权来源+公开可访问数据"）、字节 Seedance（1.0 / 2.0）与即梦 1.0（"公开与授权库"）有一句话口径；美国靠"授权路线"卖点的只有 Adobe Firefly Video 与 Adobe Stock 采购、Moonvalley / Marey，均为公司口径 [7][8]。
4. 后训练数据量几乎不披露：中国只有 腾讯 HunyuanVideo（1 / 1.5） SFT 约 100 万、字节 Seaweed-7B SFT 约 70 万（5 万加权）；偏好数据（DPO/RLHF）全行业只有流程没有对数 [5][6]。
5. "底座同、方向税异"：四家主流中国闭源模型的预训练底座高度相似，差异在可灵的影视+方言人声、Seedance 的多模态参考+漫剧、Vidu 的动漫+具身、PixVerse 的实时交互；有自有平台者（快手、字节）能内生差异化数据，无平台者（生数、爱诗）才是外部供应商的真实客户（推断，见下文方向差异）。

披露程度分层

按"能否据以估算数据规模与来源"分为四层：

说明：字节 Seedance（1.0 / 2.0）与即梦 2.0 的 arXiv 页面为模型卡性质，未见训练数据信息，不能因此把 2.0 归入 L2。

热力图读法：0 = 未用或未披露，1 = 少量或只用开源，2 = 明确使用有规模，3 = 主体。"0"多数意味着"未披露"而非"没用"；横向对比应看 level≥2 的格子，且每格都带口径标注。

中国模型配方表

值为各模型自述或技报口径；"未披露"指已查技报/官方页无，"未查到"指检索未见。

美图 MiracleVision、商汤 Vimi 的训练数据构成未查到。

美国与全球模型配方表

美国阵营分三条路线：(a) 平台自有池+抓取（Google 用 YouTube；Runway、NVIDIA、Apple、Amazon 被指抓取）；(b) "干净/授权"（Adobe、Moonvalley、Lightricks 的 Shutterstock 授权、Synthesia 演员），卖点是商业安全与赔偿；(c) 以合作绕开训练数据问题（Runway–Lionsgate 定制模型 Lionsgate × Runway 片库合作、Meta–Midjourney 技术授权）。

方向差异

四家中国闭源模型（可灵、Seedance、Vidu、PixVerse）的产品方向来自 2026 年官方发布；下表为"能力→数据需求→来源结构"的推断，仅底座管线有一手技报支持，其余为学术旁证或推断。

三条判断（均为推断）：

• 底座趋同：各家都在"通用视频预训练+自动清洗与密集 caption+人工精选 SFT+偏好 RLHF"范式内；2026 年又同时收敛到音视频同出、多镜头叙事、多模态参考三个新共性。这三类数据多半不是买来的，而是用算法从大视频池里构造（参考对靠跨视频检索、多镜头靠切镜重组、音视频三元组靠自动对齐过滤），池子越大越杂，能构造的越多，放大了有平台者的优势 新品类章。
• 谁需要买：字节 Seedance（1.0 / 2.0）与即梦 与 快手可灵 Kling 的差异化数据多半能从自有平台内生，需要的主要是合法性；生数 Vidu 与 爱诗 PixVerse 缺平台，是版权库、短剧/动漫版权方、游戏动作数据商、机器人数据公司的真实客户。
• PixVerse R 系与其余三家分叉：实时世界模型更接近 Skywork Matrix-Game、Hunyuan-GameCraft、Google DeepMind Genie 3 的需求，供应商是游戏公司和合成数据商，而非影视版权库。

供应商关系

下图只含有来源的"供方→客户"关系，按证据分级标注（一手 / 公司口径 / 二手）。"洽谈""股东"等非语料证据的关系在明细中注明。

要点：

• 美国授权主渠道是 Shutterstock：OpenAI Sora / Sora 2（六年协议）、Lightricks LTX-Video / LTX-2（研究授权）有公司口径；Meta、Google、Amazon、Apple 为媒体报道，10-K 不列名；2025 年其 Data, Distribution, and Services 分部 $203.3M，但 2025Q4 同比 -19%、2026Q2 同比 -16% [36]。Getty Images 称不将编辑内容授权用于训练，2025Q4 两笔多年期 AI 交易合计约 $65M，客户未具名。
• 创作者聚合与采购：Troveo AI 公司口径累计付出 >$20M、8M 小时授权视频；Moonvalley 称直签，Troveo 称供大部分，两方口径需区分 [37]。Adobe 向摄影师采购均值 $2.62/分钟（Bloomberg 二手），见 Adobe Firefly Video 与 Adobe Stock 采购。
• 片库定制与角色授权不等于训练授权：Lionsgate × Runway 片库合作 是仅供 Lionsgate 内部使用的定制模型；Disney × OpenAI 协议与 Sora 退出 是 200+ 角色生成授权（角色输出授权，非训练数据授权），OpenAI 2026-03 宣布停止 Sora 后终止、投资未交割 [38]。
• 中国侧"合规授权"仍是叙事：视觉中国 VCG 2025 年含 AI 训练数据的增值服务仅 4554.2 万元（占 5.9%），与可灵、即梦、通义、生数、爱诗为"洽谈"口径，战略投资生数与 MiniMax；捷成股份 与华为云签《视频大模型合作协议》，AI 业务未单列；华策影视、中广天择 与模型方的关系不是语料授权证据 [39]。
• 后训练供方：Rapidata 公开了 Veo 3.1 等模型的偏好集（约 7.4 万条反馈），那是 Rapidata 自行发布的公开评测偏好集，不是 Google 的采购或供货关系；Claru 的 976,355 条评估案例客户匿名 [40]。
• 合成侧：光轮智能 Lightwheel 的视频生成客户未披露，"供给生数 Vidar"仅有本地口径，待核。

口径冲突与未核实

尚未覆盖：Vidu Q2/Q3、PixVerse V5/V6、Hailuo 03、Wan 2.5 无技报；Kling 3.0 无独立数据文件；Sora 技报与 Sora 2 system card 原文（官网 403）；Adobe 视频模型官方数据声明；Luma、Pika、Higgsfield、xAI、Decart 训练数据；Marey 授权小时数。

来源

1. Meta Movie Gen: https://arxiv.org/abs/2410.13720
2. NVIDIA Cosmos: https://arxiv.org/abs/2501.03575
3. Stable Video Diffusion: https://arxiv.org/abs/2311.15127
4. 同 [1]–[3]，对照中国开源技报见 [5]–[21]
5. HunyuanVideo 1.5: https://arxiv.org/html/2511.18870
6. Seaweed-7B: https://arxiv.org/html/2504.08685
7. SkyReels-V2: https://arxiv.org/html/2504.13074
8. Wan: https://arxiv.org/html/2503.20314
9. Koala-36M: https://arxiv.org/html/2410.08260
10. Kling-Omni: https://arxiv.org/html/2512.16776
11. Seedance 1.0: https://arxiv.org/html/2506.09113 ；Seedance 2.0: https://arxiv.org/abs/2604.14148
12. Seaweed-7B 同 [6]
13. Waver: https://arxiv.org/pdf/2508.15761
14. Hailuo 02: https://the-decoder.com/minimaxs-hailuo-02-tops-google-veo-3-in-user-benchmarks-at-much-lower-video-costs/
15. Wan 同 [8]；Wan2.2 README 镜像: https://gitee.com/lz98/Wan2.2
16. HunyuanVideo v1: https://arxiv.org/html/2412.03603
17. Step-Video-T2V: https://arxiv.org/html/2502.10248
18. MAGI-1: https://arxiv.org/html/2505.13211
19. CogVideoX: https://arxiv.org/html/2408.06072
20. SkyReels 同 [7]
21. Open-Sora 2.0: https://arxiv.org/html/2503.09642
22. 百度蒸汽机: https://www.ithome.com/0/865/296.htm
23. Sora 数据（Murati 受访）: https://petapixel.com/2024/03/14/openais-cto-wont-discuss-training-data-for-ai-video-generator-sora
24. Shutterstock–OpenAI: https://venturebeat.com/ai/shutterstock-signs-6-year-training-data-agreement-with-openai ；Sora 关停: https://www.wdwinfo.com/news-stories/openai-shuts-down-sora-ending-disneys-1b-deal/
25. Veo 3 Model Card: https://storage.googleapis.com/deepmind-media/Model-Cards/Veo-3-Model-Card.pdf
26. Google 用 YouTube（CNBC）: https://www.nbcbayarea.com/news/business/money-report/google-is-using-youtube-videos-to-train-its-ai-video-generator/3896620/
27. Runway 泄露表: https://404media.co/runway-ai-image-generator-training-data-youtube/ ；https://www.engadget.com/ai/ai-video-startup-runway-reportedly-trained-on-thousands-of-youtube-videos-without-permission-182314160.html
28. Runway–Lionsgate: https://runway.com/news/runway-partners-with-lionsgate
29. Adobe Stock 贡献者 Firefly FAQ: https://helpx.adobe.com/stock/contributor/help/firefly-faq-for-adobe-stock-contributors.html ；Adobe 采购价: https://www.maginative.com/article/adobe-is-paying-3-per-minute-for-videos-to-train-ai-model
30. Moonvalley: https://venturebeat.com/ai/moonvalleys-marey-is-a-state-of-the-art-ai-video-model-trained-on-fully-licensed-data
31. LTX-Video: https://arxiv.org/abs/2501.00103
32. Lightricks–Shutterstock: https://kyodonewsprwire.jp/release/202412141694
33. FLUX 3: https://winbuzzer.com/2026/07/28/black-forest-labs-launches-flux-3-behind-an-early-access-gat-xcxwbn/
34. Synthesia: https://synthesia.io/features/avatars ；https://research.contrary.com/company/synthesia
35. Amazon FMTI: https://crfm.stanford.edu/fmti/December-2025/company-reports/Amazon_FinalReport_FMTI2025.html ；YouTube 创作者诉讼: https://thenextweb.com/news/amazon-nova-reel-youtubers-dmca-lawsuit
36. Shutterstock 财报: https://shutterstock.gcs-web.com/node/14806 ；Getty 10-Q: https://www.sec.gov/Archives/edgar/data/0001898496/000162828026055246/gety-20260630.htm
37. Troveo: https://mediaandthemachine.transistor.fm/episodes/this-ai-company-has-paid-out-20m-to-content-owners
38. Disney–OpenAI: https://krdo.com/news/2025/12/11/disney-is-investing-1-billion-in-openai-and-licensing-its-characters-for-sora/
39. 视觉中国: https://www.huxiu.com/article/4867722.html ；捷成: https://www.cs.com.cn/ssgs/01/2026/08/05/detail_2026080510029510.html ；迪士尼致字节 C&D: https://www.axios.com/2026/02/13/disney-bytedance-seedance
40. Rapidata Veo 3.1 偏好集: https://ai.gitcode.com/hf_mirrors/Rapidata/text-2-video-human-preferences-veo3.1/blob/main/README.md ；Claru: https://claru.ai/case-studies/video-quality-at-scale