हाल ही में मैं @evanLiaoQ द्वारा बनाया गया Pexo देख रहा हूँ, और मुझे लगता है कि यह प्रोजेक्ट काफी चर्चा के लायक है। अभी AI वीडियो赛道 (ट्रैक) बेहद प्रतिस्पर्धी हो चुका है। Kling、Veo、Seedance、Sora、Runway — हर कुछ समय में मॉडल की क्षमता एक कदम आगे बढ़ जाती है, क्वालिटी, लंबाई, किरदार की一致性 (कंसिस्टेंसी), मूवमेंट इफेक्ट — सबकुछ तेज़ी से बेहतर हो रहा है। लेकिन जब खुद इस्तेमाल करते हो तो एक समस्या दिखती है: मॉडल जितने ज़्यादा हो रहे हैं, इसका यह मतलब नहीं कि एक पूरा वीडियो बनाना उतना ही आसान होता जा रहा है। तुम्हें अभी भी सोचना पड़ता है कि विषय क्या होगा, स्क्रिप्ट लिखनी पड़ती है, शॉट्स में तोड़ना पड़ता है, मॉडल चुनना पड़ता है, Prompt लिखना पड़ता है, बार‑बार जनरेट करना पड़ता है, फिर आगे चलकर वॉइसओवर, म्यूज़िक, सबटाइटल और एडिटिंग करनी होती है। अक्सर ऐसा होता है कि एक शॉट जनरेट करने में बस कुछ ही मिनट लगते हैं, लेकिन उसे एक ऐसा पूरा वीडियो बनाना जिसे पब्लिश किया जा सके, इस्तेमाल किया जा सके, या Marketing के लिए लिया जा सके — असल में वही सबसे ज़्यादा समय लेने वाला हिस्सा होता है। Pexo जिस समस्या को हल करना चाहता है, वह यही है। यह कोई नया底层视频模型 (लो‑लेवल वीडियो मॉडल) नहीं बना रहा, बल्कि इन मॉडलों के ऊपर एक AI Video Agent बना रहा है। आसान शब्दों में: पहले तुम्हें खुद अलग‑अलग AI टूल्स ऑपरेट करने पड़ते थे। अब तुम्हें बस Pexo को यह बताना है: “मैं कैसी वीडियो बनाना चाहता हूँ।” बाकी का काम Agent संभाल लेगा। यह तुम्हारी ज़रूरत को समझ सकता है, वेबपेज या素材 (मैटेरियल) पढ़ सकता है, जानकारी整理 (संगठित) कर सकता है, स्क्रिप्ट बना सकता है, शॉट्स में तोड़ सकता है, फिर अलग‑अलग सीन के मुताबिक अलग‑अलग इमेज, वीडियो और ऑडियो मॉडल को कॉल कर सकता है, और आखिर में इन सबको जोड़कर एक पूरा वीडियो बना सकता है। इसलिए मुझे लगता है कि Pexo की असली दिलचस्प बात यह नहीं है कि उसने कितने नए मॉडल इंटीग्रेट किए, बल्कि यह कि वह AI वीडियो की इंटरैक्शन方式 (तरीके) को इस रूप में बदलना चाहता है: Generate a clip से: Make me a video. इन दोनों लॉजिक में बहुत बड़ा फर्क है। पहला “生成能力” (जनरेट करने की क्षमता) बेचता है, दूसरा “结果” (नतीजा) बेचता है। जैसे अभी Pexo पहले से ही यह कर सकता है कि किसी प्रोडक्ट की官网 URL सीधे अंदर डाल दो, Agent प्रोडक्ट की जानकारी पढ़ ले, और उसे ऑटोमैटिक रूप से Product Video में整理 (ऑर्गनाइज़) कर दे। SaaS, ब्रांड, ई‑कॉमर्स, Crypto प्रोजेक्ट्स के लिए यह सीन वास्तव में काफी प्रैक्टिकल है। पहले किसी प्रोडक्ट इंट्रोडक्शन वीडियो के लिए, तुम्हें शायद कॉपीराइटर, डिज़ाइनर, एडिटर ढूँढने पड़ते, यहाँ तक कि एक टीम को आउटसोर्स करना पड़ता। भविष्य में शायद बस इतना होगा कि官网, प्रोडक्ट के स्क्रीनशॉट और कुछ core selling points Agent को दे दिए, और फिर चैट के ज़रिए लगातार बदलाव कर लिए। हाल ही में मैं जिस दूसरे फ़ीचर पर ज़्यादा ध्यान दे रहा हूँ, वह है Mark to Fix। AI वीडियो के लिए अब मसला “बना सकते हैं या नहीं” वाला नहीं रह गया, असली झंझट यह है: बन जाने के बाद कैसे बदला जाए। एक शॉट में अगर Logo बहुत बड़ा हो, किरदार के कपड़ों का रंग सही न हो, किसी हिस्से को बदलने की ज़रूरत हो, सबटाइटल की पोज़िशन पसंद न आए — अगर हर बार पूरी वीडियो को दोबारा जनरेट करना पड़े, तो एफिशिएंसी बहुत कम हो जाती है। Pexo का आइडिया यह है कि सीधे画面 (फ्रेम) पर圈 (हाइलाइट/मार्क) कर दो, और Agent को बता दो: यहाँ बदल दो। यहाँ मत छूना। यहाँ इसे दूसरे वर्ज़न में बदल दो। अगर इस तरह की局部修改 (लोकल मॉडिफिकेशन) और上下文保持能力 (कॉन्टेक्स्ट बनाए रखने की क्षमता) को लगातार अच्छी तरह किया जा सके, तभी AI वीडियो सचमुच “抽卡工具” (गाचा जैसे टूल) से “प्रोडक्शन टूल” की तरफ बढ़ पाएगा। और Pexo अब सिर्फ एक इंडिपेंडेंट वेबसाइट रहकर नहीं बैठा है। उन्होंने Pexo Skills लॉन्च करना शुरू किया है, और Claude Code、Codex、Cursor、Manus、OpenClaw जैसे Agent 环境 (एनवायरनमेंट) में इंटीग्रेट होने की कोशिश कर रहे हैं। मुझे लगता है यह कदम और भी ध्यान देने लायक है। क्योंकि भविष्य में हम ज़रूरी नहीं कि खुद दर्जनों AI वेबसाइट्स खोलें। ज़्यादा मुमकिन यह है कि हम सीधे अपने General Agent को कहें: मेरे लिए एक प्रोडक्ट बनाओ। मेरे लिए官网 लिखो। और फिर मेरे लिए एक Launch Video भी बनाओ। इसके बाद General Agent बैकएंड में Pexo जैसे वर्टिकल Agent को कॉल करके वीडियो प्रोडक्शन पूरा करेगा। General Agent पूरे टास्क को समझने की ज़िम्मेदारी लेगा, और Pexo Video वाले हिस्से को पर्याप्त प्रोफेशनल बनाने की। शायद यही वह पोज़िशन है जिस पर Pexo वास्तव में कब्जा करना चाहता है। Pexo के पीछे के फाउंडर Evan Liao खुद भी लंबे समय से AI वीडियो और कंटेंट जनरेशन कर रहे हैं, पहले Tencent, ByteDance और Vidu में भी उनका ऐसा अनुभव रहा है, इसलिए इस प्रोजेक्ट की रोडमैप वास्तव में काफी कंटीन्युअस है। Apex Context से लेकर अब Pexo तक, वे हमेशा एक कॉन्सेप्ट पर ज़ोर देते रहे हैं: Context। मॉडल्स लगातार ज़्यादा शक्तिशाली होंगे, और सस्ते भी। लेकिन किसी Agent के अच्छा या बुरा होने का असली फैसला शायद इस बात से होगा कि उसने कितने मॉडल कनेक्ट किए हैं, यह नहीं; बल्कि इस बात से कि क्या वह सच में समझ पाता है कि यूज़र क्या कहना चाहता है, ब्रांड और किरदार के上下文 (कॉन्टेक्स्ट) को याद रख पाता है, अलग‑अलग सीन में कौन‑सा मॉडल कॉल करना है यह जानता है, और生成失败 (जनरेशन फेल होने) के बाद खुद‑ब‑खुद कैसे सुधार करना है। मुझे लगता है कि यह भी आने वाले समय में Vertical Agent के लिए सबसे ज़्यादा देखने लायक पहलू है। जब底层模型 (बेस‑लेवल मॉडल) धीरे‑धीरे कमोडिटी बन जाएँगे, तब असली प्रतिस्पर्धा शायद “किसका मॉडल सबसे स्ट्रॉन्ग है” से बदलकर यह हो जाएगी कि “कौन टास्क को सबसे ज़्यादा समझता है, यूज़र को सबसे ज़्यादा समझता है, और सबसे ज़्यादा अंतिम नतीजे के करीब है।” Pexo जो अभी कर रहा है, मूल रूप से उसी दिशा पर दांव लगा रहा है। AI Video Generator से, AI Video Agent तक। मैं आगे भी देखता रहूँगा कि क्या यह生成 (जनरेशन),编辑 (एडिटिंग), Context और Agent Workflow को सच में जोड़कर एक पूरा वीडियो प्रोडक्शन सिस्टम बना पाता है या नहीं। @evanLiaoQ