Modell-Landschaft
Video
Modelle, die bewegte Bilder erzeugen, zunehmend mit Ton. Und zwei Systeme, die interaktive Welten erzeugen – was nicht dasselbe ist.
Zuletzt geprüft: 10.10.2026
Was diese Klasse ist
Ein Videomodell erzeugt aus Text, Bildern oder vorhandenem Material eine Folge von Einzelbildern. Die aktuellen Modelle liefern den Ton im selben Durchgang, nehmen viele Vorlagen an und bearbeiten einen Clip, statt nur einen zu erzeugen.
- Wofür ist es optimiert?
- Für Stimmigkeit über die Zeit: dieselben Personen und Gegenstände von Bild zu Bild, plausible Bewegung und zunehmend Ton, der zum Bild passt.
- Worin unterscheidet es sich von einem Generalisten?
- Ein Generalist beschreibt, was geschieht. Ein Videomodell muss es zeigen, Bild für Bild, ohne sich zu widersprechen.
- Was gibt es aus?
- Kurze Clips, oft mit Ton. Interaktive Weltmodelle geben eine Szene aus, die weiter auf Eingaben reagiert.
- Wo ist es nützlich?
- Film- und Werbeentwürfe, Vorvisualisierung, das Erklären eines Ablaufs, Bearbeiten vorhandener Aufnahmen. Weltmodelle: simulierte Umgebungen für Forschung und Training.
Warum Video nicht einfach viele Bilder ist
Ein gutes Einzelbild ist nicht die Aufgabe. Ein Videomodell muss vier Dinge zusammenhalten:
- Stimmigkeit über die ZeitEine Person, ein Gegenstand, ein Raum bleibt von Bild zu Bild derselbe.
- BewegungDinge bewegen sich so, wie sie sich bewegen würden, nicht bloß von einer Haltung zur nächsten.
- Beständigkeit der SzeneWas das Bild verlässt und zurückkommt, ist noch da, und noch dasselbe.
- Räumliche und physikalische StimmigkeitGröße, Tiefe, Licht und das Verhalten von Materie passen über den ganzen Clip zusammen.
Bemerkenswerte Videomodelle
Eine Auswahl mit Begründung, keine Rangliste. Längen und Auflösungen sind Angaben der Anbieter.
Videoerzeugung
Modelle, die Clips erzeugen und bearbeiten. Keiner dieser Anbieter nennt sein Modell ein Weltmodell.
- Google
Gemini Omni Flash
- Zweck
- Videos erzeugen und im Gespräch bearbeiten.
- Was daran bemerkenswert ist
- Googles Dokumentation empfiehlt es als Standardmodell für Videoerzeugung und nennt Veo 3.1 nur noch für einzelne Aufgaben. Eingaben können Bilder, Audio, Video und Text sein.
- Warum es hier steht
- Video als Ausgabe eines allgemeinen multimodalen Modells, nicht eines getrennten Videomodells.
- Zugang
- Über die Gemini-API (Modell-ID gemini-omni-1.1-flash).
- Eingabe → Ausgabe
- Bilder, Audio, Video und Text → Video
- HerstellerangabeGoogle schreibt dem Modell ein verbessertes intuitives Verständnis von Kräften wie Schwerkraft und Strömungen zu. Eine unabhängige Prüfung dazu haben wir nicht gefunden.
Der Anbieter nennt es nicht Weltmodell. Google spricht von „Weltverständnis“, nennt Omni aber nicht Weltmodell.
Quellen: Gemini API docs: Video generation, Gemini API changelog, Google: Introducing Gemini Omni · geprüft am 10.10.2026
Modellseite im Register: Gemini Omni Flash → - ByteDance
Seedance 2.5
- Zweck
- Video und Ton gemeinsam erzeugen und bearbeiten.
- Was daran bemerkenswert ist
- Laut ByteDance 30 Sekunden Video mit Ton in einem Durchgang, mit Verlängerung über mehrere Runden.
- Warum es hier steht
- Längere zusammenhängende Clips mit Ton aus einem Durchgang. Der Anbieter nennt selbst die physikalische Plausibilität komplexer Bewegungen als offene Schwäche.
- Zugang
- Über BytePlus, ByteDances Cloud-Angebot für Unternehmen.
- Eingabe → Ausgabe
- Text und Vorlagen → Video mit Ton
- GrenzeByteDance nennt selbst Verbesserungsbedarf bei der physikalischen Plausibilität komplexer Bewegungen und bei Szenen mit mehreren Beteiligten.
Der Anbieter nennt es nicht Weltmodell.
- Kuaishou
Kling 4.0
- Zweck
- Videoerzeugung mit vielen Vorlagen und gezielter Bearbeitung.
- Was daran bemerkenswert ist
- Bis zu 15 Vorlagen in einer Erzeugung: Bilder, Videos und Figuren, auch mit festgelegter Stimme.
- Warum es hier steht
- Kontrolle über Figuren und Szenen durch viele Vorlagen statt nur durch Text.
- Zugang
- Früher Zugang in Kling; der Anbieter nannte am 30. September 2026 eine breitere Einführung für Oktober.
- Eingabe → Ausgabe
- Text sowie Bilder, Videos und Figuren als Vorlage → Video
Der Anbieter nennt es nicht Weltmodell.
Quellen: Kling: Kling 4.0 (30 September 2026) · geprüft am 10.10.2026
Modellseite im Register: Kling 4.0 → - Black Forest Labs
FLUX 3 Video
- Zweck
- Video mit Ton aus Text und Bildern.
- Was daran bemerkenswert ist
- Laut Anbieter Clips bis 20 Sekunden mit Ton aus einem Modell, das Bild, Video und Audio gemeinsam lernt.
- Warum es hier steht
- Ein Modell für mehrere Modalitäten; dieselbe Familie liefert auch das Bildmodell.
- Zugang
- Über die API von Black Forest Labs und ausgewählte Partner. Die Dokumentation bezeichnet FLUX 3 als Vorschaumodell.
- Eingabe → Ausgabe
- Text und Bilder → Video mit Ton
- GrenzeDie Dokumentation nennt FLUX 3 ein Vorschaumodell.
Der Anbieter nennt es nicht Weltmodell. Black Forest Labs schreibt „Real World Models“ und „Video Models Must be Reality Models“, nennt das Videomodell selbst aber nicht Weltmodell.
- MiniMax
MiniMax H3
- Zweck
- Video mit Stereoton aus Text, Bildern, Video und Audio.
- Was daran bemerkenswert ist
- Laut Anbieter bis zu 15 Sekunden in 2K-Auflösung mit eigenem Stereoton.
- Warum es hier steht
- Ein Videomodell mit Ton, dessen Gewichte heruntergeladen werden können.
- Zugang
- Als gehosteter Dienst und seit dem 3. August 2026 mit offenen Gewichten. Der Baustein für 2K-Ausgabe ist nicht Teil der offenen Veröffentlichung.
- Eingabe → Ausgabe
- Text, Bilder, Video und Audio → Video mit Stereoton
- GrenzeDie offenen Gewichte erzeugen in 768p; der Baustein für 2K gehört nicht zur offenen Veröffentlichung.
Der Anbieter nennt es nicht Weltmodell.
Quellen: MiniMax: MiniMax H3 (31 July 2026), MiniMax: MiniMax H3 Is Now Open Source (3 August 2026) · geprüft am 10.10.2026
Modellseite im Register: MiniMax H3 →
Interaktive Welten
Systeme, die eine Umgebung erzeugen, die auf Eingaben reagiert. Google DeepMind nennt Genie 3 ein Weltmodell; Runway verwendet das Wort für den Vorgänger von GWM Worlds 2.
- Google DeepMind
Genie 3
- Zweck
- Erzeugt aus einer Textbeschreibung eine Umgebung, in der man sich in Echtzeit bewegen kann.
- Was daran bemerkenswert ist
- Kein Clip, sondern eine begehbare Szene, die auf Eingaben reagiert.
- Warum es hier steht
- Interaktive Welterzeugung ist eine andere Aufgabe als Videoerzeugung.
- Zugang
- Nur über Project Genie, für Abonnenten von Google AI Ultra.
- Eingabe → Ausgabe
- Textbeschreibung, dann Steuereingaben → Begehbare Umgebung in Echtzeit
Der Anbieter nennt es Weltmodell. Google DeepMind nennt Genie 3 ein „general-purpose world model“.
Quellen: Google DeepMind: Genie 3, Google Labs: Project Genie · geprüft am 10.10.2026
Modellseite im Register: Genie 3 → - Runway
GWM Worlds 2
- Zweck
- Interaktive Umgebungen, die in Echtzeit erzeugt werden, mit Ton.
- Was daran bemerkenswert ist
- Laut Runway fortlaufendes Video in 720p bei 24 Bildern pro Sekunde mit erzeugtem Ton.
- Warum es hier steht
- Zweites Beispiel für eine interaktive, in Echtzeit erzeugte Umgebung, von einem anderen Anbieter.
- Zugang
- Forschungsvorschau; Runway bezeichnet es selbst so.
- Eingabe → Ausgabe
- Beschreibung der Szene, dann Steuereingaben → Fortlaufendes Video mit Ton
- GrenzeRunway schreibt, die Erzeugung in Echtzeit gehe weiterhin auf Kosten der Bildtreue.
Der Anbieter nennt es nicht Weltmodell. Runway beschreibt den Vorgänger als „world model for real-time environment simulation“; für GWM Worlds 2 selbst verwendet die Seite das Wort nicht.
Quellen: Runway Research: Introducing GWM Worlds 2 (3 September 2026) · geprüft am 10.10.2026
Modellseite im Register: GWM Worlds 2 →
Nicht mehr verfügbar
OpenAI hat die Videos API und die Modelle Sora 2 und Sora 2 Pro am 24. September 2026 aus der API entfernt. Die Seite nennt keinen Ersatz.
Quellen: OpenAI API docs: Deprecations · geprüft am 10.10.2026
Keine RanglisteDie Reihenfolge ist die Reihenfolge dieser Liste. agi.jetzt benotet diese Modelle nicht und vergleicht sie nicht miteinander.
Warum ist das für AGI relevant?
Ein Modell, das eine Szene plausibel fortsetzt, braucht eine Vorstellung davon, wie sich die Welt über die Zeit verhält: wo Dinge sind, wie sie sich bewegen, was als Nächstes geschieht. Deshalb werden Videomodelle als ein Weg zu reicheren Darstellungen der Welt diskutiert.
Ob heutige Videomodelle solche Regelmäßigkeiten gelernt haben, ist in der Forschung umstritten. Eine Studie findet ihr physikalisches Verständnis stark eingeschränkt und unabhängig davon, wie realistisch das Video aussieht; eine zweite kommt zum Schluss, dass Skalierung allein nicht reicht, um physikalische Gesetze zu erschließen; eine dritte sieht Videomodelle auf dem Weg zu allgemeinen Bildverständnis-Modellen. agi.jetzt ergreift keine Partei – und verwendet das Wort „Weltmodell“ nur dort, wo ein Anbieter es für sein eigenes System verwendet.
Was das nicht über AGI belegt
Ein realistisches Video zeigt nicht, dass ein Modell gelernt hat, wie die Welt funktioniert. Die Forschung findet das physikalische Verständnis auch dort begrenzt, wo das Video richtig aussieht.
Relevanz für AGI heißt nicht belegter Fortschritt in Richtung AGI. Diese Modelle gehören nicht zu den Spitzenmodellen, und nichts auf dieser Seite geht in den AGI-Fortschritt ein.
Forschung hinter den allgemeinen Aussagen
- Ho et al.: Video Diffusion Models (2022)Nennt zeitlich stimmiges Video in hoher Qualität als wichtigen Meilenstein der generativen Modellierung.
- Motamed et al.: Do generative video models understand physical principles? (2025)Findet das physikalische Verständnis stark eingeschränkt und unabhängig vom visuellen Realismus.
- Kang et al.: How Far is Video Generation from World Model: A Physical Law Perspective (ICML 2025)Kommt zum Schluss, dass Skalierung allein nicht reicht, damit Videomodelle grundlegende physikalische Gesetze erschließen.
- Wiedemer et al.: Video models are zero-shot learners and reasoners (2025)Die Gegenposition: Videomodelle auf dem Weg zu einheitlichen, allgemeinen Grundmodellen für das Sehen.
Quellen
Alle Quellen gelesen am 10.10.2026.
- Gemini API docs: Video generation
- Gemini API changelog
- Google: Introducing Gemini Omni
- ByteDance Seed: Introducing Seedance 2.5 (31 July 2026)
- BytePlus: Dreamina Seedance 2.5 (6 August 2026)
- Kling: Kling 4.0 (30 September 2026)
- Black Forest Labs: FLUX 3 Video, Part 1 (4 August 2026)
- Black Forest Labs: FLUX 3 announcement (23 July 2026)
- Black Forest Labs docs: FLUX 3
- MiniMax: MiniMax H3 (31 July 2026)
- MiniMax: MiniMax H3 Is Now Open Source (3 August 2026)
- Google DeepMind: Genie 3
- Google Labs: Project Genie
- Runway Research: Introducing GWM Worlds 2 (3 September 2026)
- OpenAI API docs: Deprecations