Rapporto Tecnico Kling-Omni
Kling-Omni Technical Report
December 18, 2025
Autori: 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
Abstract
Presentiamo Kling-Omni, un framework generativo generalista progettato per sintetizzare video ad alta fedeltà direttamente da input multimodali di linguaggio visivo. Adottando una prospettiva end-to-end, Kling-Omni colma la separazione funzionale tra i diversi compiti di generazione, editing e ragionamento intelligente di video, integrandoli in un sistema olistico. A differenza degli approcci a pipeline disgiunte, Kling-Omni supporta un'ampia gamma di input utente, incluse istruzioni testuali, immagini di riferimento e contesti video, elaborandoli in una rappresentazione multimodale unificata per offrire una creazione di contenuti video di qualità cinematografica e altamente intelligente. Per supportare queste capacità, abbiamo costruito un sistema dati completo che funge da fondamento per la creazione video multimodale. Il framework è ulteriormente potenziato da strategie efficienti di pre-addestramento su larga scala e ottimizzazioni infrastrutturali per l'inferenza. Valutazioni complete rivelano che Kling-Omni dimostra capacità eccezionali nella generazione in contesto, nell'editing basato sul ragionamento e nel seguire istruzioni multimodali. Andando oltre uno strumento di creazione di contenuti, riteniamo che Kling-Omni rappresenti un progresso cruciale verso simulatori del mondo multimodali in grado di percepire, ragionare, generare e interagire con mondi dinamici e complessi.
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.