可灵4.0实测：等来252天的升级，硬碰Seedance 2.5能赢吗

3.0版本上线满252天之后，可灵迎来新一轮升级。10月15日，可灵4.0正式发布，这次更新的重头戏落在全能参考、多关键帧控制和30秒生成上。

Sora面世以后，可灵是最早拿出较高质量视频生成能力的国内玩家之一，也因此被视为AIGC影像生成赛道的代表。之后它迭代得挺快，文生视频、首尾帧生视频这些方向，可灵逐步成了创作者绕不开的工具。

到了2026年，视频生成赛道的竞争明显加剧。HappyHorse、MiniMax H3等模型陆续登场，Seedance从1.5走到2.0，又走到2.5，多参考输入、音画同步、视频编辑成了各家持续加码的方向。行业基准线在这期间被反复改写，市场格局也洗了几轮牌，外界盯得越来越紧：可灵打算怎么应对。

可灵4.0一发布，大家关心的就变成了新模型到底好不好用。虚眸拿Seedance 2.5当参照基准，对可灵4.0做了多维度实测，看这次等了很久的更新，实际成色如何。（本文所有视频均为一次直出）

实测从人物表演到复杂动作

人物表演是第一个测试方向。两边都不给图片参考，只喂相同的文字提示词，让它们生成一段人物动作幅度不大、但带着质问、回避和失望等情绪变化的对白，主要看表情、光影和画面质感。

可灵4.0

Seedance2.5

Seedance2.5

提示词是这么写的：

时长15秒，16:9，写实电影风格。夜里的面馆不大，雨下在窗外，店里剩下两位客人。画面左侧是短发女人，深蓝色夹克；右侧是戴细框眼镜的男人，浅棕色外套。两人面对面隔张小桌坐着，桌上两碗面还没动过。0—5秒，中景起幅，两个人都入画。女人盯着男人，声音压得很低：“你早就知道，对不对？”男人不接她的目光，嘴唇闭着。5—10秒，切男人近景。他先低头看了一眼碗里的面，顿了顿，再抬眼，轻声说：“我只是想等你回来。”10—15秒，切女人近景。她没马上开口，眼里的质问慢慢变成失望，接着问：“那你为什么不看着我？”三句台词按顺序说完，每句的声线都和说话人对得上。机位一直在桌子同一侧，视线方向和左右站位不出错。两人用普通话自然对话，雨声和冰箱低鸣保留。没有字幕，也没有背景音乐。

两个模型都把场景搭了出来，符合要求，背景细节也算丰富，早期AI视频里那种人物“油腻感”都克服得不错。

视觉上却有差别。可灵4.0这条片子里，人物面部的明暗层次偏平，光源从哪个方向来不够鲜明。对照之下，Seedance 2.5的光影对比更明显，光源跟人物面部的关系交代得更清楚。

表演细节同样分了高下。提示词里写的是“停顿”，Seedance2.5给角色补上了唇部和眼部的微表情，人不说话时仍有细小的情绪流动。可灵4.0把基本要求完成了，处理得比较平淡。

接下来测可灵4.0的动作戏。这块是不少创作者头疼的地方，动作流畅度、接触关系或者指令执行一旦出偏差，就得反复生成，成本跟着涨。

测试还是只用文字提示词，镜头调度安排得简单些，重点看动作执行、受力表现和音画是否对得上。

可灵4.0

Seedance2.5

提示词如下：

时长15秒，16:9，写实动作片质感。白天空仓库，地面是平的，靠后堆着几个木箱。两名成年练武的人空手过招：左边穿黑色夹克，右边穿浅灰色运动衫。整段一镜到底，中远景，两个人从头到脚全程看得清。镜头只做慢慢横移。0—4秒，黑衣男子上步，右拳直冲灰衣男子上身；灰衣男子身子一侧，左前臂格住来拳，前臂接触看得到。4—9秒，灰衣男子借势右掌推在黑衣男子胸口；黑衣男子上身先后仰，再连退两步，右肩碰上后面木箱，箱子被撞得挪了一点。9—15秒，黑衣男子稳住身形，重心压低，右腿扫向灰衣男子脚踝；灰衣男子抬脚及时避开，落地后重新调整站位。两人再次拉开距离，继续对峙。动作里有起手、接触、受力和找回平衡的完整过程。脚步声、衣料摩擦声、撞击声都留着，没有对白，没有字幕，也没有背景音乐。

人物静态和起始阶段，可灵4.0做得挺出色，服装和肌肉的贴合度很写实。但一进交手环节，音画对应和动作指令遵循就出了问题：两人对拳时有一拳打空，打击音效照样响起来；后面的扫腿还搞混了动作执行者，没按要求让黑衣男子扫向灰衣男子脚踝，动作本身也有点随意。

参照组Seedance 2.5在动作指令的对应关系上更准确，角色没有混淆。

时长一样、提示词一样，两个模型对动作节奏的理解却不同。可灵4.0动作速率更快，节奏更紧凑，带点快节奏短剧、动作爽片的意思；Seedance 2.5则倾向把交手放慢，动作过程拆得更细，更接近电影的表现力。

全能参考是这次可灵4.0的核心功能，单次最多能用15个参考素材，包括最多10张图片、5个视频（总时长最长30秒，含视频主体）和7个主体。可灵3.0 Omni时期只支持3-15秒视频参考，4.0的提升很明显。年初Seedance 2.0靠全能参考一举成名，到了Seedance 2.5，全能参考模式最多能放进50个参考素材（30张图片、10段音频、10段视频）。

全能参考现在是创作者最常用的生成方式。文字、图片、视频等多种输入一起上，角色外观、动作和场景要求能说明得更直接，生成的可控性也随之提高。可灵4.0的全能参考支持音色参考，但自由度偏低，项目如果有灵活配音或卡点需求，还得在后期流程里另外处理。

不过，比素材数量和类型更关键的，是模型能不能分清每份参考素材各自的用途，再把它们组织成一个完整场景。

我们设了一道难度很高的“多源素材跨场景合成”全能参考考题：把前面文戏、武戏各15秒的片段一并交给模型当参考，要求它从文戏里取出角色，套用武戏里的动作，背景换成操场，再添一只同样的小猫来加难度。

可灵4.0

Seedance2.5

提示词是这么写的：

视频1里的男人和女人，在图片1的学校操场上打斗，打斗动作完全照视频2来。同时他们脚边有只猫（图片2）慢慢踱步走过。动作要包含准备、接触、受力和恢复平衡的完整过程。保留脚步、衣料和撞击声，不要对白、字幕和背景音乐。（我们给了两段视频，还有操场和猫的图片）

这组是我们整轮测评里最难的一题，各家模型的差距也拉得最开。要同时做到“跨视频提取角色和动作＋换新静态背景＋加一个新动物主体”，可灵4.0成片里的图层割裂感比较明显，人和新背景的光影没融到一块儿，猫的走位跟人物打斗的动线也各走各的。

Seedance 2.5在多素材融合和自主运镜剪接上更老练一些，只是收尾的音效生成也出了点乱子。

最后一组，我们只给可灵4.0一张龙舟图片，让它据此生成龙舟比赛画面，看它怎么处理多人协同和水体交互。

可灵4.0

Seedance2.5

提示词如下：

参照图里这条龙舟，做一支写实的电影感短片，拍出端午节赛龙舟的激烈劲儿。宽阔江面上，多条传统龙舟并排高速竞渡。每条船上二十余名划手穿着统一服装，跟着船头鼓手的鼓点，整齐有力地一齐把桨插进水里。桨叶飞快划破水面，溅起大片水花。龙舟破浪疾行，船首华丽的龙头装饰在飞溅的水雾里时隐时现。鼓手立在船头，双槌高举，用力猛击大鼓，身子随节拍有节奏地摆动，同时大声喊出划船号子。划手们同步前俯后仰，配合得天衣无缝，手臂肌肉绷紧，脸上满是汗水，神情专注而坚毅。船尾舵手沉稳地把着舵，在高速竞渡中不断修正航向。两岸挤满人群，挥彩旗、呐喊助威，节日氛围热烈。阳光洒在江面上，粼粼波光映着龙舟、彩旗和天空。镜头走紧张有力的电影级调度：先用低角度侧面跟拍追随高速竞渡的龙舟；穿插桨叶入水、绷紧的手臂和汗水滑过脸庞的特写；切到鼓手击鼓呐喊的近景；用高速摄影呈现桨叶入水、水花飞溅的慢动作细节；最后以无人机高空航拍俯瞰，展现多条龙舟在宽阔江面齐头并进、冲向终点线。整体节奏由快推向更快，突出力量、速度、团队协作与激烈竞争。画面写实、细节丰富，运动连贯，人体肢体动作自然，龙舟结构准确，水体物理真实。避免人物变形、船桨错位、动作不同步以及龙舟相互穿插。

可灵4.0这边的画面质感掉了些，人物看着有点油蜡感。第一个特写里，桨板的运动方向变成了拍打船面，物理规律和动作关系明显弄反了。

Seedance2.5处理得更真，河水和人物汗水的细节都看得清，桨板动作也更贴合划船，还加了镜头变化。

整体看，可灵4.0比之前几个版本进步明显。常规文戏、中低动态场景和静态细节上，它的写实度、光影处理和稳定性已经迈过了早期AI视频动不动穿帮的阶段，站得进行业第一梯队。

可一旦测试稍微复杂些，它跟Seedance 2.5就还有距离，指令遵循、图层融合、复杂物理规律遵循这几块尤其明显。

复杂场景拉开的差距，可能在数据管线与创作者洞察

几组测下来，可灵4.0出错的地方大多集中在“关系”上：动作该由谁来做，人物怎么融进新背景，桨板怎么跟船和水打交道，声音又该对上哪个瞬间。

连续动作不光要保住人物外形，还得维持位置、接触和受力关系。哪一环错位，画面再写实，动作也会显得假。

参考生成和视频编辑里，这类问题更扎眼。这两项恰恰是当下视频模型竞争最热的方向：参考生成要从不同素材里提信息、重新组织画面，视频编辑则要改指定内容、留住其余部分。

可灵4.0更新公告

我们的操场打斗测试就把这些要求叠在了一起：保住文戏里的人物身份，用武戏里的动作，再换背景、加动物。模型得先分清每份素材是干什么用的，再处理好它们拼起来之后的关系。

训练数据是解这类题的关键。视频生成模型一般靠海量自然视频数据训练，这些数据能提供丰富的人物外貌和运动信息，却很难满足训练参考生成与视频编辑能力的需要。

拿“保留这个人的脸、换掉他的动作、同时改背景”这种用户要求来说，得准备大量生成前后的成对数据，把修改要求和前后变化摆清楚，模型才能学会该改哪儿、该留什么，从而掌握准确修改指定内容的本事。

多数视频生成模型团队通常会引入合成数据，借模型或工具批量造出现实素材里不容易直接拿到的编辑示例。

字节Seed近期一篇讲视频编辑能力的论文VINCIE-NExT就举了个例子。为提升视频模型的编辑能力，他们搭了一条合成数据流水线：从视频里均匀抽5帧，由GPT-4o生成编辑指令，调用Seedream4.5改图片，再把原视频、原始帧和修改后的帧组成训练样本。为保住数据多样性，还要统计编辑类别的分布，引导后续指令去补覆盖较少的类别。

论文截图

合成数据怎么做，数据管线细到什么程度、里面沉淀了多少行业经验，如今直接决定基模和生成模型谁能跑出来，其分量甚至压过算法本身。

数据流水线要建好，靠的还是团队长年累月攒下的经验。

基础研发模型里，各位技术负责人对数据合成链路、架构怎么走，判断常有分歧；核心团队一动，研发协作要重新对接，实验要重新验证，原来的节奏就被打乱。可灵的核心技术团队过去一年多经历震荡，新团队重新磨合、验证技术路线，也得花时间。

数据工程之外，算力预算同样左右视频模型的研发方式。国内做模型的团队算力相对紧张，每轮大规模实验都得把方向选得更慎重。

研发人员如果能及时摸清创作者怎么创作、需要什么，就能判断哪些问题最妨碍素材使用、哪些改进该优先投入资源。

关键帧生成就是个典型例子。早期视频模型能力有限，创作者通常先做好静态分镜图，把人物、构图和空间关系定下来，再靠关键帧能力生成视频，效果尽可能有保障。

模型能力上来以后，创作者开始省掉原先繁琐的准备，把表演、运镜和动作调度交给模型，用提示词加必要的参考素材表达意图，逐张做关键帧、再首尾帧相连的必要性大幅下降。创作者工作流已经这样变化，可灵4.0还强调10张关键帧控制，看上去有些错位和脱节。

这是可灵4.0的关键帧生成功能。

对研发团队来说，跟创作者多交流，能把这些表达要求落到训练和评测里，而这同样要求更强的数据工程能力。

可灵4.0在人物质感和基础表演上有积累，复杂动作与多素材整合还需补强。竞争越来越白热化，可灵后续迭代得把对表演、镜头和创作流程的理解，放进数据标注、样本筛选和模型评测中，也得更快回应创作者实际制作中的反馈，模型能力才会更强。

对创作者来说，视频模型升级值不值，还是要看能不能少反复生成、少后期修正，让原先难拍的镜头更容易做出来。