事件概述

OpenAI 官方博客在 2026 年 10 月 8 日发布了一篇客户案例，介绍亚太地区初创公司 Pollo AI 如何基于 OpenAI 的 API 构建视频与图像创意生产平台。根据原文，Pollo AI 的核心主张是：让没有制作经验的人也能把创意想法变成成品图片和视频。创始人兼 CEO Bill Zhu 给出的定位是——“我们想为视频做的事，就像 Canva 为设计做的事”。

截至目前，原文称 Pollo AI 服务超过 2600 万用户，用于创建视频、广告和视觉内容。其产品演进路径大致是：先做视频模板，再做基于 OpenAI 模型的 Pollo Agent。原文提到，目前 30% 的创作者会话是从模板或热门格式工作流开始的。

这次案例涉及三个模型：GPT‑5.6、GPT‑6 Astra 和 GPT‑Image‑2.5。原文没有披露这些模型的技术细节、参数规模或定价信息。

关键技术点

1. 双模型路由：GPT‑5.6 做调度，GPT‑6 Astra 做重推理

这是整篇案例里最值得关注的一条工程细节。Pollo AI 为了在推理深度、速度和成本之间取得平衡，采用了分工策略：

  • GPT‑5.6 负责 routing（路由）；
  • GPT‑6 Astra 负责更具挑战性的工作，例如开发叙事线、规划场景修订。

也就是说，系统会根据用户 prompt 的难度，把任务分派到不同推理层级的模型上。原文称，这种模型组合让用户在“选择或切换模型”上花费的时间减少了 50% 以上，从而把时间留给创意本身。

这个数字的统计口径、样本量和统计周期，原文未说明。

2. Pollo Agent：从模糊创意意图到脚本与分镜

Pollo Agent 的职责是解释用户粗糙的想法和视觉参考，然后产出故事线（storylines）、场景流（scene flows）和脚本（scripts），提供一条完全引导式的视频创作流程。

CTO Peter Zhou 提到，OpenAI 模型在两点上表现突出：一是理解模糊的创意输入，二是多模态能力。他特别指出“GPT‑5.6 在这方面表现尤其好”。团队还表示重视 OpenAI API 的稳定性和发布节奏。

原文还举了一个用户案例：用 Pollo Agent 生成了一段后启示录风格的冒险视频，但未提供更多技术细节。

3. 评测驱动的模型选型

Pollo AI 的做法是用真实用户 prompt 和工作流去测试生成模型，评估维度包括：输出质量、一致性、风格范围、速度和成本。在此基础上，图像生成任务被统一交给 GPT‑Image‑2.5，用于制作海报、故事板和 campaign 视觉素材。

Peter Zhou 的说法是：“如果用户提出任何生成图像的任务，我们总是使用 GPT-Image-2.5。它尤其擅长处理不同类型的人物和文字。”

4. Photo to Video Ads：静态图到短视频广告

Marketing Studio 套件中的 Photo to Video Ads 工具，可以把一张静态图片加一段 prompt 转成短视频，目标是让中小企业和 DTC 品牌在几分钟而不是几天内产出社交媒体产品广告。

原文给了三个落地案例：

  • 香水广告：用户用一张产品照片生成了约 15 秒的视频广告。工具生成了天鹅绒质感、暖色聚光灯和瓶身特写来营造氛围，结尾把香水瓶置于深红色织物背景前。
  • 珠宝品牌：用 Pollo Agent 和 GPT‑Image‑2.5 生成了一张高概念的大片——模特佩戴该品牌的 statement jewelry 坐在猎豹旁边，画面采用深色帷幔和暖光框景，并保证珠宝产品高度可见。原文称相比实拍，客户在生产投入、时间和成本上都更低。
  • 饮料品牌：桃味汽水品牌用同样的组合，把一张简单的瓶子照片变成雪地微缩景观，画面中有火车、蜥蜴和闪亮的水滴。

三个案例都是“静态商品图 + prompt → 成品视觉/视频”的同一条链路，说明这条路径已经具备可复现性。

5. 主要用户画像

原文指出 Pollo AI 的主要用户是内容创作者，平台在制作**微短剧（micro dramas）**方面尤其受欢迎，这些短剧同时使用 AI 演员和真人演员。同时，越来越多的营销人员和企业主也开始用它快速制作视频内容。

对数据科学与 AI Agent 落地的意义

第一，多模型路由正在成为 Agent 产品的标准架构。 Pollo AI 用一个较便宜的模型做意图理解和任务分派，把贵的推理预算留给叙事规划和场景修订。这本质上是把“模型选择”这个原本由用户承担的决策成本，内化成了系统层面的调度问题。对于任何要在成本约束下做 Agent 落地的团队，这都是一个可直接借鉴的模式。

第二，Agent 的产品化路径是“模板 → 引导式工作流”。 先做模板积累高频场景和格式，再用 Agent 把这些格式串成端到端流程。原文提到 30% 的会话从模板或热门格式开始，这个数字说明结构化起点对降低用户流失的价值——原文也提到，有些用户会因为工具繁杂、模型难选而直接放弃项目。

第三，评测体系决定选型结论。 Pollo AI 强调用真实用户 prompt 和工作流做测试，而不是跑公开 benchmark。评估维度里的“一致性”和“风格范围”是创意类任务的专属指标，这类指标在通用评测集里往往覆盖不到。对数据科学团队来说，这意味着需要自建贴近业务分布的评测集。

第四，垂直场景比通用能力更早变现。 从微短剧到商品广告，Pollo AI 选择的是“商品图变视频”这种输入输出都相对确定的场景，而不是开放式的视频创作。这类场景的验收标准清晰，也更容易被中小企业接受。

我的技术点评

这篇案例最有价值的地方，是它把“模型编排”这件事讲得很具体：谁做路由、谁做重活、谁做图像，三个位置分得很清楚。很多 Agent 产品在早期阶段会走两个极端——要么全押一个最强的模型，成本失控；要么过度工程化，路由逻辑复杂到没人维护得动。Pollo AI 的分工算是克制的：只有两层推理模型加一个图像模型，边界清晰。

有一点需要保持警惕：原文中“用户在选择或切换模型上花费的时间减少 50% 以上”以及 2600 万用户这类数字，都来自厂商自述，缺少统计口径、时间窗口和对照组说明。它们适合作为方向性参考，不宜直接当作可复现的效能指标。

另一个值得注意的细节是 Peter Zhou 提到的“文字”能力——GPT‑Image‑2.5 被形容为擅长处理不同类型的人物和字母。对营销素材而言，图片里的文字排版一直是生成模型的传统弱项，如果这一点确实成立，那么海报、Banner 这类高频商用场景的门槛会明显下降。不过原文没有给出具体的文字准确率数据，这部分仍待验证。

最后看 Pollo AI 的路线图：他们希望 AI 视频在未来 12 个月内成为日常内容创作的一部分，Bill Zhu 的判断是——“AI 带来的内容创作变革，会偏向那些从一开始就让创作更可复现的产品，格式更强、试错更少、围绕模型本身的工作流更简单。”这句话其实点出了当下 Agent 竞争的关键：模型能力是公共供给，真正的壁垒在于工作流设计和评测闭环。

原文链接