简介：本文系统对比视频生成模型中预训练与后训练两大技术阶段的目标、能力、局限性与适用场景。读者可了解二者如何分别赋予模型"常识"与"分寸"，掌握隐性对齐与显性对齐的核心差异，并获得从技术选型到落地迁移的实用判断依据，助力AI视频生成应用的架构决策。
视频生成模型近年来发展迅猛，但许多开发者和技术负责人在实际落地时发现：模型”能生成画面”和”生成符合人类意图的画面”之间存在巨大鸿沟。用户输入一段文字描述，期望得到一只猫在草地上自然奔跑的视频，但模型输出的结果可能是猫的运动姿态扭曲、物体凭空消失、画面时序不连贯。
这一问题的根源并非模型”不会生成”，而是模型”不知道该怎么精确地生成”。解决这一问题的技术路径，可以分为两大阶段：预训练（Pre-training） 与 后训练（Post-training）。二者目标不同、方法不同、产出不同，却共同构成了当前视频生成系统的核心技术栈。
本文将围绕这两个阶段展开系统性对比，同时深入分析后训练内部”隐性对齐”与”显性对齐”两种策略的差异，帮助读者在技术选型和方案评估中形成清晰判断。
当前主流视频生成模型的骨架几乎都是扩散变换器（Diffusion Transformer, DiT）——一种将扩散模型”从噪声逐步去噪生成图像”的机制与Transformer架构强大序列建模能力相结合的技术方案。
在预训练阶段，模型被喂入海量网络视频数据，目标是学习”什么样的画面组合在一起是合理的”。例如，模型会学到”猫通常有四条腿””草地是绿色的””天空在上方”等笼统的视觉规律。这一阶段赋予模型的是一种广泛的、泛化的视觉常识，类似于让一个人在信息洪流中建立起对世界的基本认知。
后训练是在大规模预训练完成之后，对模型进行的任何不需要从零重建、但能够调整模型行为的优化、适配或控制手段。其核心目标是弥补预训练阶段的不足——让模型从”知道世界长什么样”进化到”知道用户希望世界怎么呈现”。
论文将后训练细分为隐性对齐（Implicit Alignment） 与 显性对齐（Explicit Alignment） 两种方式，二者对应不同的”教育策略”，后文将详细展开。
尽管两个阶段的目标和方法差异显著，但它们共享以下关键特征：
| 维度 | 预训练 | 后训练 |
|---|---|---|
| 核心目标 | 学习通用视觉表征 | 调整行为以匹配人类意图 |
| 数据类型 | 大规模无标注网络视频 | 指令-视频对、偏好数据、强化反馈等 |
| 训练方式 | 从头大规模训练或基础模型微调 | 基于预训练模型的参数高效调整 |
| 依赖组件 | 分布式训练框架、大规模存储 | 可能涉及奖励模型、人类反馈管道、在线采样系统 |
| 模型变更幅度 | 参数全面更新 | 参数局部调整或添加控制模块 |
预训练阶段需要从零或从基础 checkpoint 出发，消耗巨大的算力和数据资源，通常只有具备充足算力储备的团队才能独立完成。而后训练则可以在已有预训练模型基础上进行，计算开销相对可控，更适合在预训练模型之上做垂直领域适配。
预训练赋予模型的能力是”泛化性”：它能生成各种场景、物体和运动，但不保证精确遵循指令。这就好比一个人博览群书后”什么都知道一点”，但在具体任务上缺乏精准度。
后训练赋予模型的能力是”精确性”和”可控性”：它让模型学会”用户说’一只猫在草地上优雅地奔跑’，我就应该生成符合这个描述的画面，而不是随便一只猫随便跑”。后训练还能解决时序一致性（物体不凭空消失）、物理合理性（运动符合重力）和审美偏好（构图、色调符合人类期望）等预训练无法保证的问题。
论文提出的隐性对齐与显性对齐，是后训练阶段最值得关注的技术分叉：
隐性对齐：通过在训练数据中隐式地注入人类偏好，让模型在学习过程中”不知不觉”地调整行为。例如，使用经过筛选的高质量视频数据进行微调，模型会逐渐倾向于生成更符合审美的内容，但这个过程没有显式的”对错信号”。
显性对齐：通过显式的反馈机制（如人类标注的偏好对比、强化学习奖励信号）来指导模型行为。模型会收到明确的”这个好、那个差”的信号，从而有针对性地优化。
从技术选型角度看，隐性对齐更适合快速迭代、资源有限的场景；显性对齐更适合对质量和安全性有严格要求的生产级应用。
若团队选择基于某个预训练基础模型进行后训练适配，通常需要：
# 后训练适配的通用流程示意（伪代码）base_model = load_pretrained_dit_checkpoint("model_path")alignment_data = prepare_instruction_video_pairs(dataset_path)# 隐性对齐：直接微调fine_tuned_model = finetune(base_model, alignment_data, method="implicit")# 显性对齐：需要奖励模型 + RL 优化reward_model = train_reward_model(human_preference_data)optimized_model = rl_optimize(base_model, reward_model, env=video_gen_env)
预训练则需要从数据采集、清洗、分布式训练到模型评估的完整链路，开发和运维复杂度远高于后训练。百度智能云等云平台提供的AI开发服务，可在一定程度上降低预训练和后训练的基础设施门槛，但核心的算法策略和数据准备仍需团队自主把控。
预训练模型由于参数全面更新，在生成多样性上通常更强，但在指令遵从度上可能不如经过充分后训练的模型。后训练模型在特定指令上的表现更稳定，但如果对齐数据不够丰富，可能出现”过拟合”到某些模式、丧失多样性的风险。
在生产环境中，后训练模型的时序一致性和物理合理性通常更优，这直接影响用户体验。百度智能云的内容生成相关服务在模型能力层面持续迭代，开发者在选型时可关注其对齐能力的具体覆盖范围。
预训练阶段使用的网络视频数据可能包含未经授权的内容、敏感信息或不当画面，这给数据合规带来挑战。后训练阶段通过显式对齐可以更容易地注入安全约束（如拒绝生成暴力、违法内容），在合规层面更具可操作性。
无论选择哪个阶段的能力，都需要关注：训练数据的版权合规性、生成内容的审核机制、用户输入的安全过滤，以及模型输出的可追溯性。
| 成本项 | 预训练 | 后训练 |
|---|---|---|
| 算力成本 | 极高（通常需要数千卡周级别） | 中等（基于已有模型微调） |
| 数据成本 | 高（海量无标注视频采集与清洗） | 中等（需要高质量指令-视频对） |
| 人力成本 | 高（需要算法研究+工程团队） | 中等（需要数据标注+对齐策略设计） |
| 长期维护 | 模型版本迭代成本高 | 持续对齐更新成本可控 |
对于资源有限的团队，优先利用开源或云平台提供的预训练基础模型，再通过后训练做垂直适配，通常是更经济的路径。
| 业务场景 | 推荐路径 | 理由 |
|---|---|---|
| 通用AI视频生成平台 | 预训练 + 显性对齐 | 需要广泛覆盖能力和严格质量控制 |
| 垂直领域内容生产（如电商、教育） | 预训练模型 + 隐性/显性后训练 | 基于通用模型快速适配特定场景 |
| 内部工具或原型验证 | 仅后训练（基于开源预训练模型） | 快速验证，控制成本 |
| 高安全要求场景（如媒体、政务） | 预训练 + 强显式对齐 + 安全过滤 | 合规与可控性优先 |
| 小团队快速实验 | 云平台托管后训练服务 | 降低基础设施门槛 |
预训练和后训练并非替代关系，而是互补关系：预训练给模型”常识”，后训练给模型”分寸”。在技术选型时，团队应首先明确自身是否具备独立预训练的资源和能力——如果不具备，选择成熟的预训练基础模型并聚焦后训练策略，是更务实的路径。在后训练内部，隐性对齐适合快速迭代和资源受限场景，显性对齐适合对质量、安全和可控性有高要求的生产环境。
最终决策应综合考虑团队技术储备、业务场景要求、合规约束和长期成本，而非简单地追求某一阶段的”更好”。随着相关研究从2022年至今呈现指数级增长，这一领域的方法论仍在快速演进，持续关注技术动态、保持架构灵活性，是长期保持竞争力的关键。