可灵估值180亿美元后，四款AI视频模型实测：谁能稳定交付一条片子

过去一个月，AI视频这条赛道的空气里全是焦灼味，卷得冒烟。

变化先从钱上冒出来。11月初快手发布公告，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。

这是什么概念？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。

这轮融资是全球视频大模型领域迄今为止最大的一笔单轮融资。更罕见的是，腾讯、阿里云、百度这三家长期竞争的公司，一起出现在了股东名单里。11月5日，90后清华博士曹越创办的Sand AI宣布2亿美元A+轮融资到账，这已经是该公司今年第三轮融资；此前，生数科技拿到5亿美元，爱诗科技则在10月中旬又补充了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。不过赛道越热，水分就被烤得越响。

新模型 meanwhile 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。

只看发布会，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。

但真正做内容的人，吐槽能列出一长串：同一个人物，前一秒还是清纯初恋脸，后一秒就变成毫无辨识度的路人长相；给一张产品参考图，本以为模型能照着还原，结果画得比原图还离谱；让人物夹一筷子面，面条转起来的效果假得一眼就能看穿；招牌上的汉字，永远是那种看着眼熟、仔细一看全是乱码的东西。

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。

这次横评只围绕一个问题展开：把指令遵循、素材保真、生成速度和失败重试都纳入考量，谁交付一条可用视频的表现更稳定？对创作者而言，这直接关系到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180亿美元估值要给出的最终答卷。

打戏：当凌玲和薛甄珠在办公室“打起来”

跟实拍比，AI生成视频里最容易露馅、让人一眼看出是假的，就是打斗场面。视频模型对物理规律的理解还不到位，一打起来就软绵绵的，该有的力量感出不来。

为了检验各家视频模型在打戏上的水平，我们搭了一场现代办公室版的《叶问》对打：让“薛甄珠”和“凌玲”在办公室里实打实地干一仗。

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】：右侧那位穿米色风衣、戴眼镜的女人（凌玲）气得不行，猛地抓起桌上的一摞文件夹朝左边甩过去；左侧那位豹纹大衣、大红唇的卷发老太太（薛珍珠）眼神一冷，左臂挎的橘色皮包稳稳当当，右手飞快使出一招咏春『摊手』，把文件夹精准拍开，A4纸漫天飞散！老太太随即贴身压上，双拳跟加特林机枪似的，在对方米色风衣胸口连砸8拳，每一拳下去都能看到风衣布料明显凹陷、带出气浪，对方被打得连连后退，根本招架不住；

【第5-10秒】：老太太顺着势头沉肩拧腰，右掌化拳为掌，一记重重的耳光实实落在对方左脸上！镜头立刻切进240帧升格慢动作——手掌碰到脸的刹那，对方脸颊的软组织出现剧烈的波浪状挤压变形，鼻梁上的细框眼镜被这一巴掌直接扇歪、脱飞出去，在空中打着转摔碎在地上，头发也彻底乱了；

【第10-15秒（寸拳击飞与环境破坏）】：速度恢复正常，老太太最后补上一记近距离拳头，轰在对方腹部前方，对方整个人双脚离地往后倒飞，后背重重撞翻身后一张木质办公桌，电脑显示器、键盘和保温杯哗啦一声全震落在地。老太太利落地收拳，从容整理了一下豹纹大衣的领口，红唇嘴角冷冷一哼。

Seedance 2.5这段表现挺亮眼，耳光打中瞬间脸部肌肉被挤压的效果做得很真实，说有大片水准也不为过。（只不过打人的时候，不太管旁边围观的人死活）

Vidu Q4 Preview大体上把多数提示词要求都还原了，比如文件夹被拍飞、结尾的冷笑，扇巴掌的效果也算合理，只是连续出拳那几下力道偏弱，另外飞在半空的眼镜还多长出一条眼镜腿。

Kling 4.0出拳效果还过得去，可主角扇巴掌时，对面眼镜“飞出”的轨迹不太符合物理规律，眼镜落地摔碎的效果也假，白色镜片全碎成了黑色碎片。

Wan 3.0这边，连续出拳后对手后退的画面有点卡顿，扇巴掌变成了出拳头，眼镜飞出去的效果更离谱，打戏整体表现不太理想。

情绪演技：“由悲转喜”再“由喜转悲”的连续情绪切换

AI已经开始跟短剧、长剧演员抢饭碗了。问题是，它们的表演能不能和真人比？差距还剩多少——一眼假，还是接近一般水准？

周星驰《喜剧之王》里有一场戏：男导演让周星驰先后演出“老婆生孩子”“生了儿子”“老婆死了”一连串状态。

我们照着这个路子致敬了一把，给AI男主安排了一段彩票中奖又过期的剧情，测它在极度悲伤→震惊狂喜→笑容凝固→崩溃苦笑四个阶段之间能否无缝切换：

测试提示词如下：

【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，通红的眼眶里蓄满泪水，终于决堤，一滴晶莹的泪顺着他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）】：他盯着手里那张皱巴巴的蓝色彩票，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，眉眼与嘴角抑制不住地疯狂上扬，爆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）】：正乐到顶点，他视线往下一落，撞见彩票底部那行『已过期』。才1秒，高高扬起的苹果肌和嘴角就全泄了劲，像被掐断电源似的僵住、塌下去，眼神也从狂喜一下跌成发直、发空；

【第12-15秒（绝望苦笑）】：手指一松，彩票飘出画面，他慢慢合眼，深吸一口气，再睁开时眼角扯出一抹苦笑，比哭还难看，透着一股荒诞，随后无可奈何地摇了摇头。

综合来看，Seedance 2.5对人物面部肌肉的控制表现很好，前期嘴角抖动很明显，最后的苦笑也更真实，整体优于其他三个模型。

Kling 4.0整体也不错，只是中间狂喜时面部扭曲过于剧烈；Vidu Q4 Preview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前期还行，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一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功能，支持用户上传已经做好的素材用在视频里，目前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：夏天街边水果摊，头顶撑着红蓝白条纹遮阳伞。画面左边前景，脖子上挂着金链子的华强（图1）面无表情盯着桌面；右边是穿『保熟』白背心的光头老板（图2），汗流满面；左后方，绿毛小伙（图3）骑坐在小电驴上。

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：镜头往电子秤（图4）推近，红字『15.8』一闪一闪，秤上搁着条纹大西瓜（图6）。华强伸手掀掉托盘，从秤底把红蓝U型吸铁石（图5）抠出来，啪一声拍在西瓜边上。

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，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明显瑕疵，比如最后的瓜瓤一开始还是白色，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，其它没问题；Seedance 2.5则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？

拍几秒钟的视频没意义，要让视频模型真正融入工作流，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、黑皮衣的大佬勾手挑衅；②西装女总裁抬手指向对面；③黑皮衣大佬学螃蟹横着挪步；④摸出钞票发射枪，对天扣下扳机……（后面还有击掌不穿模、踢腿交叉步、单膝跪地滑行、交叉拍肩、终场定格，合计9个动作）。

从实际生成结果看，Seedance 2.5和Wan 3.0基本把要求的动作都还原了出来。综合比较，Seedance的表现最突出，舞步衔接顺畅，玩具喷钱枪喷钱的效果也更接近真实。

Vidu Q4 Preview版本最长只能生成16秒，可它还是把九步动作全塞了进去，问题出在收尾——“AI Boss”灯牌已经糊成了乱码，真人质感也比其他模型差一些。

可灵 4.0这轮掉了链子：倒数第三步的“双臂交叉拍肩”被漏掉了，玩具喷钱枪从怀里掏出来时是悬浮状态，几处镜头旋转也显得有点突兀。

吃意大利面 AI始终迈不过去的“面条坎”

在AI视频行业里，“吃意大利面”这道题让人印象很深。前几年“威尔史密斯吃意大利面”测试一出来，扭曲的脸，加上生硬抓握、胡乱吞咽、面条乱扭的画面，AI吃面有多难一眼就看明白了。

难就难在，AI得学会叉子怎么握、面条怎么卷起来、送进嘴里时怎么弯，每一步都得像真的。面条的状态还得连贯——它柔软细长，会弯、会缠、会被拉扯。

测试提示词：

【第0-5秒】：镜头开始时，一位扎着丸子头的女孩坐在办公桌前，右手拿起一把金属叉子，手腕转了两圈；她用叉尖把盘里几根裹着红色番茄肉酱的意大利面一圈圈卷紧，让面条在叉子前端缠成一团。这个旋转成团的过程必须看得见，不能拿平放的叉子直接挑面。卷好后她把叉子往上提，面条被重力拉出细丝，自然往下垂。

【第5-10秒】：接着女孩张嘴，把叉子上那团面准确送进嘴里，双唇合拢咬住面条，右手随即把金属叉子从口中干净地抽出来。抽出的叉尖上不能留东西，面要真的留在嘴里；叉子不得穿过脸颊，面条也不能凭空闪没。随后她鼓起腮帮大口嚼起来，喉咙有明显的吞咽动作，嘴角沾着一抹红酱。

【第10-15秒】：然后她左手端起桌边那只装了四分之三的透明橙汁玻璃杯，凑到嘴边，仰头把杯身倾斜，喝下一大口。吞咽时杯里的橙汁会随倾斜自然流动；等杯子重新放回桌上，杯内液面要肉眼可见地降到杯身一半以下，也就是说橙汁体积只减不增。

这一关大多模型都露了馅：AI压根不会“卷”面，顶多拿叉子在盘子里对着现成的意面比划两下。Seedance 2.5和Wan 3.0上的这个问题就很明显。

Kling 4.0没照提示词做出面条卷成团的过程，不过它给人物安排的动作挺自然，叉起来的面条状态也正常。

Vidu Q4 Preview的问题就比较扎眼：它没能在盘子里把面卷起来，可下一秒人物举起叉子，面条自己就成了卷曲状，穿帮一眼可见。

物理规律遵循 牛顿摆的动量守恒

牛顿摆也是测试集里的老题目。测它，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，拉起一颗球松手，它撞向其余球体，中间的球不动，只有另一端的球弹出去。

视频模型常把画面做得挺逼真，运动方式却算错了，比如球互相穿透、停半空、速度突然变化。

测试提示词：

画面正中摆着五颗一样大的钢球，用细线吊成牛顿摆。手把最左边那颗球拉起来再松开，球依次发生弹性碰撞。最右边那颗随即荡出去，中间三颗基本不动。能量和动量一个接一个传过去，摆动慢慢变缓。机位固定在正面平视，镜头不晃。自然光照射，金属球面有真实的反光和淡淡的阴影。

这项测试里Kling 4.0效果最好，球的移动速度接近真实，后续的运动变化也没出错；Seedance 2.5球动得偏慢，整体倒也基本符合真实规律。

Vidu Q4 Preview和Wan 3.0就不太行了。前者有两个球叠在一起，开头还正常，5秒后开始乱飞；Wan 3.0从一开始就没做对，球移动慢，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视频在质感上的差距，还落在阴影和局部微弱光影的追踪上。这次我们测的是极暗房间里光源轨迹的追踪，看几个视频模型怎么处理光影。

测试提示词：

【第0-8秒（手举光源绕脸180度平移）】：他右手慢慢移动，把手里唯一发光的打火机火苗从右脸颊一侧出发，经过鼻子正前方，水平移到左脸颊一侧。光源这样从右往左走时，他脸上被照亮的部分，以及镜框和高鼻梁在脸上投下的深色阴影，都要随着火苗位置实时从左半脸平滑翻到右半脸；镜片上映出的火苗亮点也同步从右滑向左。

第8到12秒，把火苗挪到下巴正下方，测的是恐怖片里那种底光。头保持不动，右手把火苗竖直往下移，停在下巴底下悬住。光从极低处往上打：下巴底部、鼻孔、上嘴唇、下眼袋全被照得通亮，眼窝上半部和额头则沉进浓黑里。

第12到15秒是吹灭。他低下头，轻轻吹了一口气，火苗一下没了，画面当即陷入100%彻底漆黑，只剩一缕青烟，镜片上最后一点余光也跟着散掉。

火苗横向扫过这一段，Seedance 2.5的效果排第一，阴影整体看着都真，收尾时下巴底光的过渡也顺。

Kling 4.0前十几秒都还行，问题出在下巴底光：打火机明明先移过去了，头部却过了1秒才跟着变暗。等到熄灭那一下，光影也乱了。

Wan 3.0没做出那么强的对比光影，提示词要的恐怖底光它没照着走；Vidu Q4 Preview的打火机移动不到位，从左往右的整个过程没做完，可单看光影，其实算比较理想的。

音画遵循：绕口令与嘎嘣脆的黄瓜

最后一项测试很简单，考的是AI视频进影视工业的硬条件——声音和口型必须对上，不然观众立刻“出戏”。

测试提示词：

第0到7秒：穿黄卫衣的男主播凑到电容麦克风前，用中文飞快、字正腔圆地念出一串绕口令：“八百标兵奔北坡，炮兵并排北边跑！”

第7到10秒：绕口令念完，他马上把左手那根新鲜脆黄瓜塞进嘴里，咔嚓咬下一大截（同时响起极清脆响亮的立体声咬黄瓜咔嚓拟音），腮帮子鼓着嚼黄瓜，嘴里含含糊糊、口型却严丝合缝地冲镜头说：“哎呀妈呀，这瓜真脆！”

实测里Seedance 2.5和Kling 4.0都正常，这里就不放了。

Vidu Q4 Preview几遍测试下来都读错字、读多字；Wan 3.0更怪，配音用了气音，挺出戏。

哪个模型最好用？不绕弯子的结论

八场实测跑完，四个模型的优缺点都总结在上面了，再结合时间和成本，按自己的需求挑就行。

Seedance 2.5：实力没得挑，就是又慢又贵

实测里，除了多物品参考这一项不算最理想，复杂指令、长指令遵循、人物真实性、情绪这些方面，Seedance 2.5都明显压过其他模型。

毛病在于慢，也在于贵。按720p画质15秒视频、12积分1元算，它要吃掉300积分，折合一个视频25元。

计时统计下来，生成一个十秒左右的视频，不算排队就花了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

物理规律上Kling 4.0有点矛盾：吃意面、牛顿摆都做得可圈可点，一到破坏性场景，物理规律又有点“假”。

不过上面这一系列测试里，Kling 4.0基本总能排进Top2。

跟Seedance 2.5比，Kling 4.0更突出的优势是性价比。按100积分5元算，同样720p画质15秒视频只需150积分，单个视频成本7.5元，大约是Seedance 2.5的1/3。

生成速度上，Kling 4.0有时也明显快过Seedance 2.5和Wan 3.0，单个10秒视频最快2分钟左右就能出来。

Wan 3.0：素材还原的王者，动作戏的废柴。

一致性这一项，Wan 3.0是四个模型里唯一没掉链子的。遮阳伞被1:1还原，秤底的磁铁、闪烁的电子秤这两个别家全部翻车的道具，它都稳稳保住了。放到电商带货、产品广告这类场景里，这个本事应该会特别吃香。

可一碰上物理规律和打戏，它就露怯了。牛顿摆刚开局就乱飞，打戏里扇巴掌成了出拳，连续出拳还卡得一顿一顿。

算性价比的话，100积分10元、单个15秒视频67.5积分，折下来720p画质15秒视频是6.75元，比Kling 4.0略低一点。代价是生成速度很慢，跟Seedance 2.5有一拼，单个10秒视频大概要6-8分钟。阿里后来推出快速版Wan 3.0 Prime，原因也在这里。

Vidu Q4 Preview：性价比选手，但比较偏科。

整体看，Vidu Q4 Preview更擅长“演戏”这类影视工业的活儿。打戏基本把提示词还原了出来，情绪戏也比较饱满，就连吃个黄瓜，里面人物的情绪起伏都比其他模型更足。

麻烦在于它挺依赖抽卡。一些考察真实性的地方，它的表现还不够理想：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“第二”便宜的。按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，只比Wan 3.0高一点，输出速度却快不少，10秒视频大概2-3分钟就能搞定。