TBC mischief 1：神经元实验反哺的图生视频模型，5 倍速度、0.5 美分每秒 · 干货攻略

• 链接: https://x.com/omarsar0/status/2116162100137427342
• 原帖引用: https://x.com/AlexKsendzovsky/status/2116153410101944352
• 官方站点: https://tbc.co
• 仓库: https://github.com/Wan-Video/Wan2.2 （基座模型 Wan 2.2 官方仓库；mischief 1 本身未开源，官方无独立仓库）
• 分类: x-tips
• 来源: X @omarsar0（引用 TBC CEO @AlexKsendzovsky）
• 作者: Jay
• 更新: 2026-11-01

这是什么

原帖是 elvis（@omarsar0，前 Meta AI / Papers with Code）转发并评论 TBC（The Biological Computing Co.，CEO Alex Ksendzovsky）10 月 30 日的产品发布推文。elvis 的原话是：基础研究（hardcore fundamental research）回归，因为大脑只消耗约 20 瓦，研究它如何计算对提升 AI 效率有意义；TBC 用活神经元做了四年研究，首个产品是 mischief 1——一个至少比基座模型快 5 倍的图生视频模型。他最后一句是：「我想看看这条研究路线在视频之后会走向哪里。」

TBC 官方把 mischief 1 定义为世界上第一个公开可用的「神经元衍生」视频模型。它的形态很关键：生成本身不跑在生物神经元上。官方三段式流程（tbc.co 首页）是：

1. Encode——把一个 AI 难题翻译成真实神经元能处理的电信号；
2. Discover——测量神经元响应，找出可用的计算原理；
3. Deploy——把这些发现变成更快、更便宜的 AI 模型。

神经元始终留在实验室里。落到产品端的是一层专有软件：参数增量低于基座模型的 0.1%，跑在客户现有的标准 GPU 硬件上，不需要细胞培养设备。官方在 PR Newswire 里强调，与量化、蒸馏、缓存这类常规推理优化不同，TBC 的优化来源是「对活神经元的直接测量」，是derived from biology 而非 inspired by biology。

模型层面，mischief 1 构建于阿里通义的开源权重视频模型 Wan 2.2 之上，官方称质量持平而速度 5 倍、成本大幅下降。

核验来源

原帖与被引推文全文均已核对（omarsar0 推文 3.7 万浏览，含 3 条高赞质疑回复）。

上手步骤

路线 A：fal（主推，文档最完整）

Endpoint：tbc/mischief-1/image-to-video（Playground 可免代码试）。

pip install fal-client
export FAL_KEY="<你的 fal key>"

from fal_client import submit

result = submit(
    "tbc/mischief-1/image-to-video",
    input={
        "prompt": "A serene mountain landscape at sunset with clouds drifting by",
        "image_url": "https://example.com/seed.jpg",
        "resolution": "720p",       # 480p(832x480) / 720p(1280x720)，默认 720p
        "duration": 5,              # 3 或 5，默认 5
    },
)
video = result.get("video")       # 输出含 video 与 seed

输入参数要点（全部出自 fal OpenAPI）： - prompt 必填，上限 2000 字符。官方提示「Long, specific prompts steer WAN best」。 - image_url 必填，http(s) 可访问地址，≤25 MiB、≤100 万像素；默认 2.5 MB 预算内按原图渲染，超出或换格式会被重新编码/缩放。 - image_transform：center_crop（保比例裁切，默认）/ resize（拉伸）。 - prompt_processing：original（原样渲染）/ enhanced（默认，先对参考图和片型改写提示词；改写失败自动回退原文）。注意改写环节不吃 seed，要完全复现就固定 seed 并设 prompt_processing="original"。 - duration 按 16fps、4N+1 帧网格渲染，3 秒→49 帧、5 秒→81 帧，实际略长于请求值；计费按请求秒数而非渲染时长。 - 输出：video（文件）+ seed。

计费：480p $0.005/秒、720p $0.01/秒，即 5 秒片分别 $0.025 与 $0.05。

路线 B：OpenRouter

模型 slug：tbc/mischief-1，OpenAI 兼容但走独立的视频接口，提交后轮询取回：

import requests, time

r = requests.post(
    "https://openrouter.ai/api/v1/videos",
    headers={"Authorization": "Bearer <OPENROUTER_API_KEY>"},
    json={"model": "tbc/mischief-1",
          "prompt": "A serene mountain landscape at sunset with clouds drifting by"},
).json()
job_id, polling_url = r["id"], r["polling_url"]

while True:
    s = requests.get(polling_url,
                     headers={"Authorization": "Bearer <OPENROUTER_API_KEY>"}).json()
    if s["status"] == "completed":
        print(s.get("unsigned_urls")); break
    if s["status"] == "failed":
        raise SystemExit(s.get("error")); 
    time.sleep(5)

适用边界

• 只做图生视频（image-to-video），必须给起始图 + 文本提示词；不是文生视频模型。
• 5 秒是上限，且只有 480p/720p 两档、16fps。别拿它做最终交付级成片——官方自己把定位放在 ideation、pre-production、pitching、ad testing，即创意探索与前期预览。
• 「神经元衍生」目前无法被外部验证。方法是专有的，没有公开论文或代码；5 倍速度、80% 降本是厂商自测（142s→12s 的对比也出自 TBC 自家 GPU benchmark，官方页面自己注明「实际生成时间会变化」）。原帖下最高赞质疑正是这点：5 倍相对自身基座并不能说明神经元到底贡献了多少。把它当「厂商宣称的效率增益」用更稳妥。
• 它可能不是 Wan 2.2 的哪个变体。Wan 2.2 官方仓库同时发布 I2V-A14B（图生视频 480p/720p）和 TI2V-5B（文/图输入），TBC 未公开 mischief 1 采用哪一个，因此无法判断其参数规模，也无法本地复现。
• 多可用性风险：OpenRouter 页面显示该模型目前仅由单一 provider（Ambient）承载，近 3 天可达性 92.79%（响应成功率），且暂不支持欧盟境内路由。生产依赖需自建容灾。
• 生成结果需过审：fal 文档明确提示，无论改写是否开启，TBC 的策略服务都会在渲染前审查提示词与图像。
• 官方已预告 AWS Marketplace 上线（发布时为「soon to be」），并称正在把同一套发现迁移到语言模型与 physical AI——但均未见可核验交付物。
• 商业可用：fal 模型页标注 Commercial use。

不确定处

1. mischief 1 基于 Wan 2.2 的哪个具体变体（14B 还是 5B）——官方未披露，无法核实。
2. 「neuron-derived」优化的技术细节与可复现性——官方明确未公开，仅有「+<0.1% 参数」这一可观测指标。
3. 「至少 5 倍」在不同分辨率/时长下的稳定倍数——官方只给了单组 GPU benchmark 对比，未给方法学。
4. AWS Marketplace 上线的具体时间与形态——发布至今未见官方上线公告。
5. TBC 在 GitHub 无官方组织/仓库，mischief 1 只能通过 fal 与 OpenRouter 的托管 API 使用，不存在可自行部署的权重。