Seedance 1.5 Pro — L3 Cross-Paper Synthesis #

§1 相关论文 #

§2 本篇 vs 相关论文的 delta #

Seedance 1.5 Pro vs Seedance 2.0 #

演进逻辑: 1.5 pro → 2.0 的核心进化是 输入模态扩展（从 text/image 到混合多模态引用）和 任务覆盖泛化（从基础生成到 VFX/续写/扩展）。架构骨架（dual-branch MMDiT + RLHF）保持不变，说明 ByteDance 将此视为 scalable foundation 而非需要重新设计的方向。

Seedance 1.5 Pro vs LongCat-Video #

关键差异: LongCat-Video 的技术透明度远高于 Seedance 1.5 pro——GRPO 适配 flow matching 的理论推导 [2510.22200] 提供了可复现的方法论，而 Seedance 的 "multi-dimensional reward model" 完全不透明。但 Seedance 1.5 pro 的 native audio 能力是 LongCat-Video 完全不具备的差异化优势。

Seedance 1.5 Pro 与 SLA 的加速技术关系 #

Seedance 1.5 pro 声称 >10× inference acceleration [2512.13507]，但未披露 attention 层的具体加速手段。SLA/SLA2 在 Wan2.1（同赛道 DiT 模型）上实现 13.7–18.7× attention speedup [2509.24006]。推测 Seedance 的加速栈中可能包含类似的 sparse attention 技术（但采用何种方案未知）。

SLA 的 sparse-linear decomposition 适用于 DiT 的条件：(1) attention weights 分解为 high-rank sparse + low-rank dense [2509.24006]，(2) model 可通过 fine-tuning 适应 sparse pattern。Seedance 的 dual-branch 架构引入了额外的 cross-modal attention，其 sparsity pattern 可能与 single-modal video attention 显著不同——cross-modal 对齐通常需要更 dense 的 attention。

§3 可攻击面 #

1. 技术不透明: 论文无任何 equations、algorithms、model size、training data size 或 architecture detail [2512.13507]。所有 claims（>10× acceleration、native joint generation、multi-dimensional RLHF）均无可验证的技术支撑。对比 LongCat-Video 提供的 GRPO 理论推导和 ablation [2510.22200]，Seedance 1.5 pro 的论文更接近产品发布而非学术贡献。
1. 评估不可复现: SeedVideoBench 1.5 为 proprietary benchmark，且评估使用人工评分（"professional film directors"）[2512.13507]。LongCat-Video 使用公开的 VBench 2.0 [2510.22200]，Seedance 2.0 使用公开的 Arena.AI [2604.14148]——1.5 pro 是三者中唯一完全依赖 proprietary evaluation 的。
1. Audio 能力未量化: "Native joint audio-video generation" 是核心 claim，但 audio representation（waveform? spectrogram? codec tokens?）、audio quality metrics（PESQ/STOI/FAD）、以及 AV sync 的量化指标均未报告 [2512.13507]。Bar charts (Fig 5-6) 仅给出 GSB pairwise 比较，无绝对分数。
1. Slow-motion critique 无证据: 论文批评竞品使用 slow-motion "artificially enhance perceived stability" [2512.13507]，但未提供任何量化证据（如竞品生成视频的平均运动速度对比）。这是一个 pointed but unsubstantiated claim。

§4 生态位 #

Seedance 1.5 pro 在视频生成赛道中的定位：

模型	组织	音频	分辨率	开源	技术透明度
Wan 2.5	阿里	Post-processing	720p+	部分开源	中
Kling 2.6	快手	Post-processing	1080p	闭源	低
Sora 2	OpenAI	Joint	1080p	闭源	极低
Veo 3.1	Google	Joint	1080p	闭源	低
Seedance 1.5 pro	ByteDance	Native joint	720p	闭源	极低
Seedance 2.0	ByteDance	Native joint	720p	闭源	极低
LongCat-Video	美团	无	720p	部分开源	高

Seedance 1.5 pro 的生态位优势在于 中文语境的 native AV 联合生成（方言支持、唇语同步），但技术透明度是赛道中最低的——这使其科学贡献有限，更多是产品定位文档。

§5 未探索方向 #

1. RLHF reward hacking 防护: LongCat-Video 明确提出 multi-reward 加权防止 static video hacking [2510.22200]。Seedance 系列是否存在类似 hacking 问题（如 audio channel 学会产生 silence 以最大化 visual quality reward）？需要 audio-specific reward guardrails。
1. SLA2 在 cross-modal attention 上的适配: Seedance 的 dual-branch MMDiT 包含 video self-attention、audio self-attention 和 cross-modal attention。SLA2 的 sparse-linear 分解已在 video self-attention 上验证 [2509.24006]，但 cross-modal attention 的 sparsity pattern 可能截然不同——audio-video alignment 需要的 dense cross-attention 可能不适合高 sparsity。需要 modality-aware router。
1. Open-source AV benchmark: SeedVideoBench 1.5 的闭源性阻碍了赛道的科学发展。方向：基于 LongCat-Video 的 VBench 2.0 [2510.22200] 扩展 audio 维度（AV sync, audio quality, expressiveness），创建开放的 audio-video generation benchmark。
1. Progressive audio-video generation: 当前 Seedance 声称 native joint denoising，但未说明 audio 和 video 的 denoising 是否共享 timestep schedule。方向：audio 和 video 可能有不同的最优 NFE（audio 通常比 video 更快收敛），允许 progressive generation（video 先达到粗糙质量 → 条件化 audio generation → 联合 refinement）可能比严格 joint denoising 更高效。