淘天自研编码器斩获MSU 6项冠军，视频编码技术支撑内容体验升级

近日，由莫斯科国立大学（Moscow State University，MSU）举办的第 19 届 MSU 世界视频编码器大赛（MSU 2025 FullHD 赛道）结果正式揭晓。

在这场汇聚了腾讯、快手、AOMedia 及 OpenVisualCloud 等国内外顶尖团队、27 款主流编码器同台竞技的权威评测中，淘天音视频技术团队自主研发的S266 系列编码器表现出色，累计斩获6 项世界冠军1 项季军

完整比赛结果：https://www.compression.ru/video/codec_comparison/2025/main_report.html

全球最权威的编码器“试金石”

MSU 世界视频编码器大赛，由莫斯科国立大学图形与媒体实验室（MSU Graphics & Media Lab）视频组主办，自 2004 年起持续举办、至今已走过二十余年，是全球范围内历史最悠久、规模最大、评测最严苛、公信力最强的编码器评测之一，长期被学术界与工业界视为衡量视频编码技术真实水平的“试金石”与“奥林匹克”。

该赛事汇聚了全球主流编码器团队同台竞技，仅本届就有多达 27 款编码器参赛，历届参赛阵容更是涵盖了腾讯、字节跳动、快手、华为云、B 站、微帧、Google、NVIDIA、Intel 等国内外一线团队；其成绩单也常被作为技术选型与行业能力评估的重要参考。

大赛的权威性，源于其严谨、客观的评测体系。主办方在统一的测试视频序列、统一的码率约束下，对所有参赛编码器进行盲测比对，并按 1 FPS、5 FPS、30 FPS 的不同编码速度档位分别排名，以对应从离线极致画质转码到高速实时直播的不同应用场景，最大限度排除人为干扰、还原编码器的真实能力。

在质量评估上，MSU 大赛共采用五项评价指标，分为客观指标主观指标两大类：客观指标包括 PSNR、SSIM、VMAF、VMAF-NEG 四项，主观指标则为由专业观察者打分的主观评价（Subjective）。

四项客观指标各有侧重：

• PSNR衡量重建视频与原始视频之间的像素级误差，是最经典、应用最广的客观指标；
• SSIM从亮度、对比度、结构三个维度衡量画面相似度，与人眼对图像结构信息的感知高度一致；
• VMAF融合多种画质特征，并通过机器学习模型拟合人眼观感；
• VMAF-NEG则是在 VMAF 基础上对锐化等增强操作进行抑制的改进版本。

主观评价则由专业观察者在受控环境下对画面质量进行直接打分。它不依赖任何数学公式，而是回归“人眼看到的画面究竟好不好”这一本质问题，更贴近用户真实感受、代表编码器实际观看体验的评价方式。

6 项世界冠军，主客观评价双双登顶

凭借在视频编码底层技术的长期布局，淘天集团音视频技术团队在本届 MSU 大赛包揽6 项世界冠军，其中 S266 横扫 VMAF 全速度段冠军，S26X 则包揽极限画质三项第一，标志着淘天在 H.266 时代实现“速度”与“画质”的双线领先

其中，S266是淘天自主研发、符合最新一代视频编码标准 H.266/VVC 的编码器，实现了编码速度和压缩效率的兼顾。本届大赛中，S266 在 VMAF 指标上展现出全速度段的优势——无论是 1 FPS、5 FPS 还是 30 FPS 档位，S266 均稳居 VMAF 冠军

S26X则在 S266 基础上拓展编码工具，并融合了 AI 图像增强等前沿技术。在压缩率最高的 1 FPS 档位，S26X 包揽 SSIM、PSNR、主观评价三项世界冠军，并在 VMAF-NEG 指标上摘得季军，证明了其在极致画质场景下的技术优势。

淘天音视频技术团队（以下简称“音视频团队”）取得此次优异成绩，离不开在核心技术方向上的深耕。接下来，将介绍夺冠编码器背后的关键技术积累。

夺冠背后的视频编码技术，让视频更清晰，也更省带宽

编码器的优化，本质上是“压缩率”与“编码速度”的提升。

围绕这两条主线，音视频团队自研了数百个质量优化算法和快速算法，包括基于 VVC 标准的自适应运动补偿时域滤波（MCTF）算法、基于长距离参考分析的码控算法、基于 Laplacian 梯度的色度 QP 算法、基于梯度分布的多叉树跳过算法、基于划分代价预估的提前终止算法等，以及拓展新编码工具和技术，如局部亮度补偿工具、解码端帧内模式推导工具、AI 图像增强技术等。

经过这些算法优化后，S266 相比开源编码器 x265，在码率下降 60+%的情况下 PSNR/SSIM 依然更好，细节更清晰。

团队长期在视频编码研究领域投入，除了直接用于 S266 中的技术之外，还有一系列的创新贡献，被收录于相关领域的顶会顶刊中。比如 TCP-Net 算法（发表于计算机视觉顶刊 T-IP 2025），首次提出将 Transformer 模型用于 VVC 帧间编码中块划分速度优化；而发表在 T-CSVT（视频编码领域顶刊）的 MID-Net 算法，是首个将深度学习应用于 VVC 帧内预测模式决策的工作。

在当下大模型与跨模态 AI 叙事加速融合的背景下，生成式编码正成为突破通信带宽瓶颈的关键前沿方向，团队也在此方向做出了诸多的探索。其中团队最新提出的 ProGVC 算法（发表于计算机视觉顶会 ECCV 2026），成为业内首个基于视觉自回归生成的渐进式视频编码范式。该方案将视频表示为由粗到细的多尺度离散 token，低尺度编码全局结构与运动，高尺度逐步补充纹理和高频细节，并在同一框架中实现压缩与生成协同。

落地淘宝核心场景，支撑日均上亿次播放

编码器的世界级技术实力，最终要体现在业务价值与用户体验上。

对淘天而言，视频编码并非“锦上添花”的辅助能力，而是支撑大规模视频分发与播放的底层技术。淘天平台每天承载着海量电商直播、商品短视频等内容，编码效率的高低，直接关系到用户观看体验、平台带宽成本和内容分发能力。

从世界冠军到业务底座：S265/S266 如何撑起淘宝内容业务？

S265编码器在 2020 年第 15 届 MSU 世界编码器大赛中斩获 3 项冠军以来，经过工程和业务打磨，这款编码器已成长为淘宝业务的核心编码底座，深度覆盖直播、短视频、图片等关键场景。

凭借高效的压缩效率与智能化的编码策略，S265 支撑了平台 1080P 全高清视频画质升级，显著改善了弱网和低端设备的播放体验。S265 支持的 HEIC 图片格式已广泛应用于淘宝图片大盘，显著降低了图片文件大小与带宽成本，并结合画质修复算法大幅改善图片模糊舆情，带动了业务指标的正面提升。

作为新一代 H.266/VVC 编码标准的自研落地，S266 编码器在同等画质下可将带宽成本进一步降低 30%以上，面对 VVC 标准原生复杂度高、移动端硬件生态尚未成熟等挑战，团队通过极致的算法和工程优化，实现普通 PC 的 4K 编码和主流手机设备上的 VVC 解码规模覆盖，使得 VVC 技术成功应用于淘宝短视频、直播等核心业务场景，日均支撑播放量达上亿 PV。

S266 也开始支持 VVIC 图片编码协议，并兼容 YUV444、HDR、宽色域等色彩处理能力，帮助进一步节省图片带宽。

视频带宽是淘天平台重要的基础设施支出，更高的编码效率也意味着每年数亿级成本优化空间，让世界冠军级的技术领先直接转化为经营效益。同时编码效率也正转化为更普惠的用户体验，比如原本只能稳定观看 480P 的弱网环境，借助 S266 压缩效率可流畅观看 720P 甚至 1080P 的画面，使得诸如地铁通勤和偏远地区的消费者，也能更清楚地看到纹理、文字细节。

不止于电商，面向下一代内容形态的全场景编码能力

S266 的技术优势，并不仅限于短视频与电商直播。在 8K HDR 超高清长视频场景下，更高分辨率意味着更大的带宽和算力需求，S266 的极致编码速度和压缩效率是超高清内容大规模分发的前提；在 3D 与 VR 视频场景下，多视角、全景画面需要同时传输多路码流，编码效率直接决定沉浸体验的经济可行性。

随着算法效果达到媲美实拍的水准以及近期推理成本的断崖式下跌，AIGC 音视频生成技术正迎来供给侧的“平民化”与“井喷期”，这将引发全网视频数据量的激增。在此背景下，以 S266 为代表的新一代视频编码技术，将成为平抑视频带宽与存储通胀，驱动高品质、低延迟视频服务普惠的重要基石。

音视频核心画质算法

视频编码是音视频链路中基础模块，目标是保障画质降低带宽。质量评价自然也是音视频链路中重要一环。传统的 PSNR/SSIM 等客观指标，难以适配真实业务中来源复杂、参考视频缺失的内容生态，而纯主观评测又有诸多应用局限。

因此，需要构建符合人眼主观感知的客观评价模型，实现无需参考源即可进行的质量评价算法。

音视频团队研发了一套图像/视频质量评价体系，包括基于语义、失真和运动等多维度信息的无参考视频质量评价 MD-VQA 模型（相关算法创新发表于计算机视觉顶会 CVPR 2023）、针对人脸颜值评价的 FACE-VQA 模型（发表于计算机视觉顶会 ICCV 2025)，以及基于显著图引导的无参考图像质量评价 Tao-IQA 模型。

这些算法模型不仅为视频编解码、画质增强、美颜等算法的改进和优化提供了指导，也为监控大盘体验、筛选低质内容以及竞对评测提供了强有力的工具。MD-VQA 和 FACE-VQA 日均监控万级淘宝直播间以及海量短视频的基础画质和美颜效果，而 Tao-IQA 也覆盖日均千万级的淘宝大盘图片的画质评价。

团队的质量评价技术也应用在国际顶级赛事 CVPR NTIRE 2023 的参赛方案中，此方案击败了字节、快手、小米、北航、南洋理工等知名企业和高校的方案，取得了质量评价方向唯一赛道的冠军

从理论研究、国际竞赛到大规模业务应用的全方位实践，音视频团队在视频质量评价领域积累了深厚的应用与研发经验。立足于此，团队主导了初版的《视频质量的无参考评价方法》国家标准草案。下一阶段，淘宝将联合中国电标院、上海交大、中移杭研院等行业核心单位共同定稿，促进国标的完善与最终落地。

视频增强是提升画质体验的另一个关键环节，通过去除噪点、压缩块效应，并利用细节增强、去模糊、颜色增强等技术提升画面清晰度、质感。音视频团队在视频增强领域持续深耕，相关成果多次发表于 CVPR、ECCV、ICLR 等顶会，并在国际顶级赛事 CVPR NTIRE 中先后获得 2022 年视频超分与增强竞赛冠军、2025 年 UGC 视频增强竞赛季军、2026 年基于生成模型的 UGC 视频复原竞赛亚军。

面向真实业务，音视频团队构建了完善的视频增强算法体系，全方位提升淘宝的视频图像画质体验。团队基于 CNN + GAN 研发直播智美高清算法，广泛应用于淘宝直播实时转码中。智美高清算法可基于 NVIDIA GPU 部署，团队也完成了针对公司自研的国产 PPU 芯片的底层算子适配以及灵活部署。目前，直播智美高清已常态化应用于数万个主播、覆盖单日数亿次观看，大幅提升淘宝直播整体画质。

面向短视频业务中更加繁杂的视频来源和画质退化类型，团队研发了包括去压缩失真、去模糊、超分辨率、生成式视频修复（Vivid-VR，核心算法发表于人工智能顶会 ICLR 2026）等在内的智美高清算法矩阵，针对不同场景自适应地提升画质体验。

在淘宝商详图片中，存在一定量的因压缩失真、设备噪声等导致细节模糊的服饰图像，团队基于 Mamba 研发图像超分、同分辨率增强算法，提升商品图的清晰度。

进一步，面向因多次搬运导致模糊程度更甚的高热图，团队研发了跨模态生成式图像修复算法，以商品标题为约束，并通过迁移同商品的高画质参考图中的纹理，针对服饰细节做到真实还原且提升全图画质，其中所采用的算法的框架图如下：

关于淘天音视频技术团队

音视频技术团队服务于国民 App 淘宝中直播、逛逛、首页信息流、商品详情等核心视频业务场景，长期聚焦技术创新与应用落地，致力于持续提升用户内容消费体验。

团队成员来自海内外知名高校，多次在 MSU 世界编码器大赛，CVPR NTIRE 视频增强超分竞赛这样的权威赛事上夺魁，并重视与学界的合作与交流。

团队兼顾算法创新与工程应用，围绕视频生产、视频修复与生成、视频编码等完整链路持续深耕，保障视频、图片相关业务的流畅度和音画质体验，并在多媒体 AIGC 方向积累了多模态理解、图像生成与编辑、可控视频生成等关键能力，为直播、信息流、搜索推荐等业务场景提供技术支撑。

团队主导设立了淘天博士后工作站，持续强化前沿技术研发与高层次人才培养能力。自成立以来，工作站已累计招收 20 余位博士后，发表高水平论文 30 余篇，多项研究成果已在淘宝核心业务场景中实现规模化落地。目前，淘天博士后工作站已有 4 位博士后顺利出站，并于近期成功升级为国家级博士后科研工作站，进一步强化了淘宝在产学研协同、前沿技术探索和创新人才培养方面的长期基础。