Informe Técnico Kling-Omni
Kling-Omni Technical Report
December 18, 2025
Autores: Kling Team, Jialu Chen, Yuanzheng Ci, Xiangyu Du, Zipeng Feng, Kun Gai, Sainan Guo, Feng Han, Jingbin He, Kang He, Xiao Hu, Xiaohua Hu, Boyuan Jiang, Fangyuan Kong, Hang Li, Jie Li, Qingyu Li, Shen Li, Xiaohan Li, Yan Li, Jiajun Liang, Borui Liao, Yiqiao Liao, Weihong Lin, Quande Liu, Xiaokun Liu, Yilun Liu, Yuliang Liu, Shun Lu, Hangyu Mao, Yunyao Mao, Haodong Ouyang, Wenyu Qin, Wanqi Shi, Xiaoyu Shi, Lianghao Su, Haozhi Sun, Peiqin Sun, Pengfei Wan, Chao Wang, Chenyu Wang, Meng Wang, Qiulin Wang, Runqi Wang, Xintao Wang, Xuebo Wang, Zekun Wang, Min Wei, Tiancheng Wen, Guohao Wu, Xiaoshi Wu, Zhenhua Wu, Da Xie, Yingtong Xiong, Yulong Xu, Sile Yang, Zikang Yang, Weicai Ye, Ziyang Yuan, Shenglong Zhang, Shuaiyu Zhang, Yuanxing Zhang, Yufan Zhang, Wenzheng Zhao, Ruiliang Zhou, Yan Zhou, Guosheng Zhu, Yongjie Zhu
cs.AI
Resumen
Presentamos Kling-Omni, un marco generativo generalista diseñado para sintetizar vídeos de alta fidelidad directamente a partir de entradas multimodales de lenguaje visual. Adoptando una perspectiva integral (end-to-end), Kling-Omni elimina la separación funcional entre diversas tareas de generación, edición y razonamiento inteligente de vídeos, integrándolas en un sistema holístico. A diferencia de los enfoques basados en pipelines fragmentados, Kling-Omni admite una amplia gama de entradas del usuario, incluyendo instrucciones de texto, imágenes de referencia y contextos de vídeo, procesándolas en una representación multimodal unificada para ofrecer una creación de contenido videográfico de calidad cinematográfica y altamente inteligente. Para respaldar estas capacidades, construimos un sistema de datos integral que sirve como base para la creación multimodal de vídeos. El marco se ve potenciado además por estrategias eficientes de pre-entrenamiento a gran escala y optimizaciones de infraestructura para la inferencia. Evaluaciones exhaustivas revelan que Kling-Omni demuestra capacidades excepcionales en generación contextual, edición basada en razonamiento y seguimiento de instrucciones multimodales. Trascendiendo su función como herramienta de creación de contenido, creemos que Kling-Omni representa un avance crucial hacia simuladores multimodales del mundo capaces de percibir, razonar, generar e interactuar con mundos dinámicos y complejos.
English
We present Kling-Omni, a generalist generative framework designed to synthesize high-fidelity videos directly from multimodal visual language inputs. Adopting an end-to-end perspective, Kling-Omni bridges the functional separation among diverse video generation, editing, and intelligent reasoning tasks, integrating them into a holistic system. Unlike disjointed pipeline approaches, Kling-Omni supports a diverse range of user inputs, including text instructions, reference images, and video contexts, processing them into a unified multimodal representation to deliver cinematic-quality and highly-intelligent video content creation. To support these capabilities, we constructed a comprehensive data system that serves as the foundation for multimodal video creation. The framework is further empowered by efficient large-scale pre-training strategies and infrastructure optimizations for inference. Comprehensive evaluations reveal that Kling-Omni demonstrates exceptional capabilities in in-context generation, reasoning-based editing, and multimodal instruction following. Moving beyond a content creation tool, we believe Kling-Omni is a pivotal advancement toward multimodal world simulators capable of perceiving, reasoning, generating and interacting with the dynamic and complex worlds.