Kling O1 vereint Videogenerierung, -bearbeitung und -verfeinerung in einer einzigen Engine. Erfahren Sie mehr über Architektur, Funktionen, Ausgabespezifikationen und professionelle Prompting-Tipps.
Kling O1 ist das erste KI-Modell, das Videogenerierung, -bearbeitung und -verfeinerung in einer einzigen Engine vereint — ohne Toolwechsel, ohne separaten Nachbearbeitungsschritt. Es wurde von Kuaishou Technology am 1. Dezember 2025 veröffentlicht [2] und stellt einen architektonischen Bruch mit allen bisherigen Videomodellen dar, einschließlich seiner eigenen Vorgänger. Dieser Referenzleitfaden erklärt, was Kling O1 ist, wie es funktioniert, wo es glänzt, wo es an Grenzen stößt und wie Sie es optimal prompten.
Was ist Kling O1?
Kling O1 ist ein einheitliches multimodales Videomodell, das von Kuaishou Technology entwickelt und auf der Kling AI-Plattform veröffentlicht wurde [2]. Es ist das erste Modell der Branche, das Videogenerierung, Videobearbeitung und Videoverfeinerung in einem einzigen Inferenzaufruf zusammenführt und damit den Bedarf an separaten Tools in jeder Phase einer Produktionspipeline eliminiert.
Kernfunktionen
Kling O1 unterstützt nativ die folgenden Aufgaben innerhalb eines einzigen Modells [8]:
- Text-to-Video-Generierung
- Image-to-Video-Generierung
- Start-/Endframe-Generierung (temporale Interpolation zwischen zwei Referenzbildern)
- Video-Inpainting (Füllen oder Ersetzen von Bereichen in vorhandenem Videomaterial)
- Videomodifikation (Inhalte über natürlichsprachliche Befehle verändern)
- Style-Re-Rendering (Anwenden einer visuellen Ästhetik auf vorhandenes Videomaterial)
- Shot-Extension (Verlängerung eines Clips bei gleichzeitiger Wahrung der Kontinuität)
Das Modell akzeptiert bis zu sieben simultane Eingaben — eine Kombination aus Bildern, Videoclips, Subjektreferenzen und Textstrings — die gemeinsam in einem einzigen Prompt verarbeitet werden [9].
Ausgabespezifikationen
| Parameter | Spezifikation |
|---|---|
| Maximale Auflösung | 1080p |
| Videodauer | 3 – 10 Sekunden |
| Max. simultane Eingaben | 7 (Bilder, Videos, Subjekte, Text) |
| Referenzbilder (Bildmodell) | Bis zu 10 pro Generierung [8] |
Ein begleitendes Kling O1-Bildmodell unterstützt bis zu 10 Referenzbilder und ist für End-to-End-Workflows konzipiert, die von der Standbildgenerierung bis zur Videoausgabe reichen [8].
Plattformkontext
Die Kling AI-Plattform hat seit ihrem Start im Juni 2024 22 Millionen Nutzer und 168 Millionen generierte Videoclips überschritten [10]. Kling O1 ist Teil einer wachsenden Modellfamilie, zu der inzwischen auch Kling O3 und Kling 3.0 gehören, die jeweils auf unterschiedliche Preisklassen und Produktionsanforderungen ausgerichtet sind.
Kernarchitektur & Reasoning-Schicht
Kling O1 basiert auf einem Multimodal Visual Language (MVL) Framework — einer proprietären Architektur, die als interaktive Brücke zwischen Textanweisungen und multimodalen Signalen wie Referenzbildern und Videoclips fungiert [9]. Dieses strukturelle Merkmal unterscheidet O1 von allen bisherigen Kling-Versionen.
Funktionsweise des MVL-Frameworks
Frühere Kling-Versionen arbeiteten primär durch Mustererkennung und -rekonstruktion: Das Modell erlernte statistische Zusammenhänge zwischen Eingaben und Ausgaben und interpolierte entsprechend. Kling O1 ersetzt diesen Ansatz durch Reasoning-Ketten, die es dem Modell ermöglichen, Ursache-Wirkungs-Beziehungen über Eingaben hinweg abzuleiten, anstatt Frames lediglich zu interpolieren [9].
In der Praxis verleiht dies dem Modell das, was Kuaishou als „regisseurähnliches Gedächtnis


