想做AI视频，不知道用哪款模型？我们帮你测完了

文 | 光锥智能，作者｜魏琳华，编辑｜刘俊宏

最近这一个月，AI视频行业的空气里，都弥漫着一股“卷到冒烟”的焦灼味儿。

风向是从钱开始变的。11月初，快手一纸公告：旗下可灵AI完成198.02亿元外部增资交割，投后估值约180亿美元，折合人民币超1200亿元—— 什么概念？

比母公司快手自己的港股市值还高出一截，儿子比爹还值钱。

这笔交易创下全球视频大模型公司最大单笔融资纪录，更罕见的是，腾讯、阿里云、百度三个老冤家，出现在了同一张股东名单上。11月5日，90后清华博士曹越的Sand AI宣布2亿美元A+轮落地，这已经是它今年内的第三轮融资；再往前数，生数科技5亿美元、爱诗科技10月中旬再补1亿元B+轮 。

AI视频正式取代大模型本体，成了当下最吸金、也最烧钱的超级吞金兽。但赛道越热，水分就越是被烤得滋滋作响。

与此同时，新模型还在密集对打：10月8日生数Vidu Q4 Preview带着最低0.09元/秒的价格杀到；10月15日Kling 4.0全量开放；11月5日谷歌Gemini Omni 1.2 Flash登顶Arena双榜，顺手降价三成。

单看发布会，如今的视频模型个个都是“好莱坞级别”：一段赛博朋克追车，一场人物独舞，质感细腻到毛孔清晰可见。

可一线创作者，心里攒着一万句吐槽：同一个主角，上个镜头还是初恋脸，下个镜头就换了张路人甲的面孔；给一张产品参考图，以为它能照着抄作业，结果抄的效果更差；让人物夹一筷子面，面条旋转的效果一眼假；招牌上的汉字永远是一堆似曾相识的乱码。

最扎心的是，用户没钱天天抽卡，毕竟只是测了几个视频，就烧掉了一百块钱。昂贵的成本倒逼用户不得不精打细算。

今天，咱们就从一个天天被提示词折磨的使用者视角出发，横测Seedance 2.5、Kling 4.0、Vidu Q4 Preview、Wan 3.0四款模型。

这次的横评只回答一个问题：把指令遵循、素材保真、生成速度和失败重试都算进去，谁能更稳定地交付一条可用视频？对创作者来说，这决定了一条片子的真实成本；对刚完成独立融资的可灵来说，这也是180亿美元估值最终的答案。

打戏：当凌玲和薛甄珠 在办公室“打起来”

和真实拍摄相比，AI生成视频最容易被“一眼假”的片段就是打戏，当视频模型没办法理解好物理规律，打起架来就难免显得绵软无力、该有的力道不足等等情况。

为了测试视频模型们在打戏方面的表现，我们模拟了一场现代办公室里的《叶问》格斗：让“薛甄珠”和“凌玲”在办公室里真刀真枪地打一场看看。

测试提示词：

现代办公室里的《叶问》宗师级硬核格斗戏：

【第0-5秒】：右侧穿米色风衣戴眼镜的女人（凌玲）恼羞成怒，突然抓起桌上的一叠文件夹朝左侧砸来；左侧穿豹纹大衣、涂大红唇的卷发老太太（薛珍珠）眼神一凛，左臂挎着的橘色皮包纹丝不动，右手闪电般使出一记咏春『摊手』精准拍飞文件夹，漫天A4纸炸开！紧接着老太太欺身而上，双拳如加特林机枪般在对方米色风衣胸口打出8记拳头，每一拳砸上去都激起明显的风衣布料凹陷气浪，打得对方连连后退、毫无招架之力；

【第5-10秒】：老太太顺势沉肩拧腰，右掌化拳为掌，一记势大力沉的耳光结结实实地抽在对方的左脸颊上！镜头瞬间切入240帧升格慢动作——手掌接触脸部的瞬间，对方脸颊软组织发生剧烈的波浪形挤压变形，鼻梁上的细框眼镜当场被这一巴掌扇得歪斜脱飞出去，在空中旋转着摔碎在地面上，发型彻底凌乱；

【第10-15秒（寸拳击飞与环境破坏）】：恢复正常速度，老太太最后补上一记近距离拳头轰在对方腹前，对方整个人双脚离地向后倒飞出去，后背重重砸翻身后的一张木质办公桌，电脑显示器、键盘与保温杯哗啦一声全部震落摔在地上。老太太潇洒地收回拳头，优雅地整理了一下豹纹大衣领口，涂着红唇的嘴角冷哼一声。

Seedance 2.5在这里的表现可圈可点，它把耳光抽中瞬间的脸部肉挤压的效果做得很逼真，可以说已经有大片水准。（就是打人的时候不太顾得上围观者们的死活）

Vidu Q4 Preview基本还原了大多数的提示词需求，比如把文件夹拍飞和最后的冷笑，它扇巴掌的效果也比较合理，只是连续出拳的时候感觉力道还是有点弱，此外飞在半空的眼镜也多出来一条眼镜腿。

Kling 4.0的出拳效果还算不错，但是它在主角扇巴掌时，对面眼镜“飞出”的效果不太符合物理规律，且眼镜落地的破碎效果也太假，白色的镜片都碎成了黑色碎片。

至于Wan 3.0，连续出拳后带来的对手后退效果有点卡顿、扇巴掌变成了拳头、且眼镜飞出的效果更离谱，在打戏上表现不太理想。

情绪演技：“由悲转喜”再“由喜转悲”的连续情绪切换

AI现在已经开始跟短剧和长剧演员抢饭碗了，但它们的表演能不能和真人演员媲美，如果不能，那么差距还有多少，是一眼假还是接近一般的效果？

周星驰《喜剧之王》场景里，男导演安排周星驰先后展示“老婆生孩子”、“生了儿子”、“老婆死了”的一连串表现。

我们致敬一下，给AI男主安排了一段彩票中奖又过期的剧情，测试极度悲伤 -> 震惊狂喜 -> 笑容凝固 -> 崩溃苦笑的四阶段无缝情绪转换：

测试提示词：

【第0-4秒（悲恸落泪）】：昏暗出租屋泡面桌前，胡子拉碴的落魄年轻男人眼神空洞绝望，通红眼眶里蓄满的泪水终于决堤，一滴晶莹的眼泪顺着粗糙的脸颊真实滑落，嘴角痛苦地向下抽动；

【第4-8秒（瞳孔地震与带泪狂喜）】：他的视线聚焦在手里的蓝色皱巴彩票上，瞳孔瞬间剧烈放大，呼吸骤停；紧接着在脸颊泪痕未干的状态下，他的眉眼与嘴角抑制不住地疯狂上扬，爆发出一阵欣喜若狂的破涕为笑（必须同时保留脸上的湿润泪水与灿烂露齿大笑），双手激动得剧烈颤抖；

【第8-12秒（笑容瞬间僵死）】：狂喜之中，他的目光突然下移扫到彩票底部的『已过期』字样，原本高高扬起的脸部苹果肌与嘴角在1秒内瞬间失去所有肌肉张力，像断电一样僵硬地垮塌下来，眼神从极度狂喜迅速切换为彻底的呆滞与死寂；

【第12-15秒（绝望苦笑）】：他松开手指任由彩票飘落出画，缓缓闭上双眼深吸一口气，再次睁眼时眼角挤出一丝比哭还难看的荒诞苦笑，无力地摇了摇头。

综合来看，Seedance 2.5对于人物面部肌肉控制的表现很好，前期嘴角抖动表现很明显，最后的苦笑也更加真实，整体看下来优于其他三个模型的表现。

Kling 4.0整体表现也不错，不过中间狂喜的时候面部扭曲过于剧烈；Vidu Q4 Preview在前期就提前开始“手抖”，但最后崩溃的眼神戏很好，有突然变得茫然的细节。

Wan 3.0前期表现还行，但最后苦笑的表演不太好，看起来更像一种“无奈”的情绪。

多参考素材一致性 AI能不能把每个素材用明白

以前做视频，最让人崩溃的是人物转身就变成另一张脸，身边的物品随着镜头转移再回来，就变成了另一样东西。为了维持一致性，现在各家都推出了参考生视频的功能，支持用户上传已经做好的素材，用在视频里，现在的基准线普遍要求支持15个图片参考。

我们直接上测试，先把主角和道具的形象用AI生成图片，再让视频模型们试着还原个低配版本的《华强买瓜》

测试提示词： 在夏日街头水果摊前，撑着红蓝白条纹遮阳伞。前景左侧，戴金链子的华强（图1）冷冷盯着桌面；右侧，穿『保熟』白背心的光头老板（图2）满头大汗；左后方，绿毛小伙（图3）跨坐在小电驴上。

0-5秒：华强摘墨镜，用音频1低沉发问；光头老板堆起假笑心虚回应，背心『保熟』二字清晰可见。

5-10秒：镜头推近至电子秤（图4），红字『15.8』闪烁，放着条纹大西瓜（图6）。华强一把掀开托盘，抠出藏在秤底的红蓝U型吸铁石（图5），啪地拍在西瓜旁。

10-15秒：两人面部同框特写，华强把生瓜瓤扣到了老板头上。

这一轮，表现比较好的是Wan 3.0，保留场景的同时，只有它把我上传的遮阳伞做到了一比一还原，且后续的磁铁、电子秤这两个其他AI犯错的物品也还原了。不过它生成的内容也有些明显的瑕疵，比如最后的瓜瓤从一开始还是白色，扣到头上时又变成了红色。

再看其它三个模型，Kling 4.0把电子秤的底座变成了绿色，秤的数字也变了；Vidu Q4 Preview只有伞错了，瓜瓤从头到尾是红色，其它的没问题；Seedance 2.5是看戏精神小伙的电动车丢了、磁铁变成了圆形。

互动上，Kling 4.0和Vidu Q4 Preview比较好，它们还记得精神小伙“看戏”的设定，虽然提示词没明写，但小伙也会随着情节的变化做出吃惊之类的反应。

长叙事能力九步斗舞，谁能笑到最后？

拍上几秒钟的视频没意义，要想让视频模型真正融入到工作流里，大家要的是连贯的长故事。我们让各大模型挑战黄仁勋和苏妈同台斗舞跳一段《Updown Funk》，一口气写了九个连贯动作，看看谁能从头到尾执行下来。

连续 9 步长串 Prompt 节选： ①银发黑皮衣大佬挑衅招手；②西装女总裁指向对方；③黑皮衣大佬做螃蟹横移动作；④掏出钞票发射枪朝天空扣动扳机……（后续包含击掌不穿模、踢腿交叉步、单膝跪地滑行、交叉拍肩、终场定格等共9个动作）。

从表现上来看，Seedance 2.5和Wan 3.0的表现基本还原了所有要求的动作，综合来看，Seedance的表现最好，不仅舞步连贯丝滑，玩具喷钱枪的效果也更真实。

Vidu Q4 Preview版本由于只支持最长16秒生成，但它也同样把九步动作都塞了进去，只是最后结尾的“AI Boss”灯牌已经变成了乱码，真人质感也稍逊于其它模型。

可灵 4.0这一轮出现了“漏步”的情况，它遗漏掉了倒数第三步的“双臂交叉拍肩”的动作，并且玩具喷钱枪从怀里掏出来的效果是悬浮的，几次镜头的旋转也稍显突兀。

吃意大利面 AI永远过不去的“面条坎”

在 AI 视频行业，“吃意大利面”的难度算是一道印象深刻的难题。前几年，“威尔史密斯吃意大利面”测试横空出世，扭曲的面容，配上拿手生硬抓握、胡乱吞咽、面条扭动的效果，AI吃面的难度一目了然。

难点在于，AI要学会叉子怎么拿、面条怎么卷起、送进嘴里时怎么弯曲，都得符合真实动作。而且面条状态要连贯，面条柔软细长，会弯曲、缠绕、拉扯。

测试提示词：

【第0-5秒】：办公桌前扎丸子头的女孩右手握住金属叉子，手腕灵活旋转两圈，将盘中几根裹满红色番茄肉酱的意大利面条一圈圈紧密地缠绕包裹在金属叉子尖端（必须呈现面条旋转缠绕成团的物理过程，严禁直接平叉）；随后她将卷好面条的叉子向上提起，面条受重力影响自然垂坠拉丝；

【第5-10秒】：女孩张开嘴，将叉子上的面条团精准送入口腔内，嘴唇闭合咬住面条，右手将金属叉子干净利落地从嘴里向外抽出——此时抽出的金属叉子尖端必须是空的（面条已真实留在口中，严禁叉子穿透脸颊或面条凭空闪烁消失），女孩腮帮鼓起开始大口咀嚼，喉部做出清晰的吞咽动作，嘴角留下一抹红酱；

【第10-15秒】：女孩用左手拿起桌面旁四分之三满的透明橙汁玻璃杯凑到嘴边，仰头倾斜杯身喝了一大口；随着她的吞咽，透明玻璃杯内的橙汁液体遵循流体力学自然倾斜，且当她把玻璃杯重新放回桌面时，杯内橙汁的液面高度必须肉眼可见地下降至杯身一半以下（不可逆体积减少）。

绝大多数模型在这一关原形毕露，AI 根本不会“卷”面，它最多能象征性地在盘子里拿叉子卷已经成型的意面，这一点在Seedance 2.5和Wan 3.0上很明显。

Kling 4.0没有按照提示词那样展示面条卷曲成卷的样子，但是它给人物安排的动作很自然，叉起的面条也处在正常状态。

但Vidu Q4 Preview的表现就出现了明显的问题，它没有在盘子中成功把面条卷起来，但下一秒人物举起叉子时，面条自然变成了卷曲状态，属于一眼就能看到的穿帮镜头。

物理规律遵循 牛顿摆的动量守恒

这也是测试集里的经典题目了，测牛顿摆，主要看模型会不会处理碰撞、动量传递和时间演化。理想的牛顿摆里，拉起一个球后释放，撞击其余球体，中间球不动，只有另一端的球会弹开。

视频模型容易把画面做得逼真，却算错运动的方式，比如球互相穿透、半空停止、速度突变。

测试提示词：

中央放置五颗等大钢球，用细线悬挂成牛顿摆。左侧第一颗球被手拉起后释放，依次发生弹性碰撞。最右侧的球随即摆出，中间三颗球保持相对静止。能量和动量依次传递，摆动逐渐缓慢。 固定正面平视机位，镜头保持稳定。自然光照，金属球体有真实反光和轻微阴影。

这个测试里，Kling 4.0表现的效果最好，球的移动速度接近真实效果，后续移动变化里也没有出错；Seedance 2.5移动的速度有些过于慢了，但整体表现也基本符合真实规律。

但Vidu Q4 Preview和Wan 3.0的表现不太理想，前者出现了两个球重叠的情况，一开始正常，5秒后开始乱飞；Wan 3.0从一开始就没有做对，球不仅移动缓慢，还乱飞。

光源追踪：火苗扫脸和下巴底光的表现效果

真人视频和AI 视频质感的差距，还体现在阴影与局部的微弱光影追踪。我们这次测试极暗房间内的光源轨迹追踪，看看几个视频模型怎么处理光影效果。

测试提示词：

【第0-8秒（手举光源绕脸180度平移）】：他缓慢移动右手，将手里唯一发光的打火机火苗从右脸颊旁出发，经过鼻子正前方，水平移动到左脸颊旁。随着光源从右移到左，他脸上的受光面、镜框与高鼻梁投射在脸上的深色阴影，必须实时跟随火苗位置从左半脸平滑翻转到右半脸，镜片上的火苗反光点也同步从右滑向左；

【第8-12秒（移至下巴正下方——测恐怖底光）】：头端正不动，右手将火苗垂直向下移动到下巴正下方悬停。光线变成极端自下而上的『恐怖片下巴底光』——下巴底部、鼻孔、上嘴唇和下眼袋被照得通亮，眼窝上半部与额头陷入浓重黑暗中；

【第12-15秒（吹灭全黑）】：他低头轻轻吹了一口气，火苗瞬间熄灭，画面一瞬间陷入100%彻底漆黑，仅剩一缕青烟和眼镜片最后一丝余光消失。

在处理火苗横向扫过时，Seedance 2.5的表现效果最好，它整体的阴影表现都比较真实，最后对于下巴底光的效果过渡也比较自然。

Kling 4.0前十几秒的表现都不错，但到下巴底光的表现上，很明显是打火机先移动过去之后，过了1秒头部的光才跟着变暗。最后熄灭时的光影表现也乱了。

Wan 3.0的处理虽然没有那么强烈的对比光影，没有遵循提示词要的恐怖底光；Vidu Q4 Preview的打火机移动效果不佳，没有实现从左往右的全部过程，但只从光影表现上来看，其实是比较理想的。

音画遵循 绕口令与嘎嘣脆的黄瓜最后做个简单的测试，也是AI视频应用在影视工业上的考察，必须保证声音和口型同步，才能“不出戏”。

测试提示词：

【第0-7秒】：穿黄卫衣的男主播凑近电容麦克风，语速极快、字正腔圆地用中文说出一串绕口令：『八百标兵奔北坡，炮兵并排北边跑！』

【第7-10秒】：说完绕口令，他立刻把左手拿着的新鲜脆黄瓜塞进嘴里，咔嚓一声咬下一大截（伴随极其清脆响亮的立体声咬黄瓜咔嚓拟音），一边鼓着腮帮子咀嚼黄瓜，一边含糊不清但口型严丝合缝地对镜头说：『哎呀妈呀，这瓜真脆！』

实际测试中，Seedance 2.5和Kling 4.0的表现均正常，这里不再展示。

Vidu Q4 Preview在几遍测试中都出现读错字、读多字等情况，Wan 3.0奇怪的是用了气音来配音，比较出戏。

哪个模型最好用？（最不绕弯子、最客观的结论）

八场实测跑完，我们总结了以上四个模型的优缺点，并综合时间、成本，推荐大家按照自己需求来选择适合的模型。

Seedance 2.5：实力没得挑，就是又慢又贵

实际测试中，除了在多物品参考的表现上，Seedance 2.5不是最理想的，在复杂指令/长指令遵循、人物真实性和情绪等表现上都明显优于其他模型。

但它的问题是太慢了，也太贵了，按照一个720p画质15秒视频、12积分1元来算，它要消耗300积分，折算下来相当于一个视频要花25元。

此外，我们在计时情况下统计，它生成一个十秒左右的视频，除去排队时间花了10分钟，等待时间也明显更长。

Kling 4.0：发挥不稳定，但整体质量靠前

在物理规律表现上，Kling 4.0的表现有点矛盾，它在吃意面、牛顿摆的表现上都可圈可点，但在破坏性场景上的物理规律又有点“假”。

不过在上述系列测试中，Kling 4.0基本总是能排进Top2里。

和Seedance 2.5相比，Kling给4.0更突出的优势在性价比上，按照100积分5元的价格来算，同样生成720p画质15秒视频，它只需要花150积分，算下来单个视频成本在7.5元，是Seedance 2.5的1/3左右。

且在生成速度里，Kling 4.0一些时候明显快于Seedance 2.5和Wan 3.0，单个10秒视频生成速度最快2分钟左右就能搞定。

Wan 3.0：素材还原的王者，动作戏的废柴。

一致性测试，Wan 3.0是唯一赢家：遮阳伞1:1还原，秤底的磁铁、闪烁的电子秤这两个别人全翻车的道具，它都守住了。这个能力在电商带货、产品广告里应该格外突出。

但它明显在物理规律和打戏上的表现不佳，比如牛顿摆开局就乱飞，打戏里扇巴掌变成出拳、连续出拳卡得一顿一顿。

从性价比角度上来衡量，按照100积分10元、单个15秒视频67.5积分来算，720p画质15秒视频的价格是6.75元，略低于Kling 4.0。

但它的生成速度很慢，跟Seedance 2.5有一拼，大概单个10秒视频生成速度在6-8分钟左右。这也是阿里推出快速版Wan 3.0 Prime的原因。

Vidu Q4 Preview：性价比选手，但比较偏科。

整体表现上，Vidu Q4 Preview更擅长“演戏”之类的影视工业上，比如它打戏基本还原了提示词，情绪戏也比较饱满，甚至吃个黄瓜，它里面的人物情绪起伏也比其他模型更饱满。

问题在于它比较需要抽卡，在一些对于真实性的考察上，它的表现还不够理想，比如飞在半空的眼镜多出一条腿，意面在盘子里没卷起来、下一秒举起来就凭空变卷了。

四个模型里，Vidu Q4 Preview算得上是“第二”便宜的一个模型了，按照69元800积分、单个15秒视频90积分来算，它720p画质15秒视频的价格是7.76元，算下来只比Wan 3.0高一点，但输出速度却比它快不少，大概10秒视频2-3分钟就能搞定。