可灵估值180亿美元：四大视频模型实测，谁能稳定交付

四款视频模型发布时没讲清楚的那些事，我们替你们测了。

编｜刘俊宏

最近一个月，AI视频这行的气氛里飘着一股焦灼味儿，卷得快要冒烟。

变化先从钱上显出来。11月初快手发公告：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——这什么概念？

这个数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。

这笔交易创下了全球视频大模型公司单笔融资的最高纪录。更不寻常的是，腾讯、阿里云、百度这三家一向各做各的，竟一起出现在股东名单里。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，今年这已是第三轮；更早之前，生数科技拿到5亿美元，爱诗科技则在10月中旬又补了1亿元B+轮。

大模型本体被AI视频取代，成了眼下最吸金、也最烧钱的超级吞金兽。不过赛道越热，水分就越是被烤得滋滋作响。

新模型同时还在密集对打：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。

光看发布会，现在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。

但一线创作者攒下的抱怨一箩筐：同一个主角，上一个镜头还是初恋脸，下一个镜头就变成路人甲的长相；给了产品参考图，本以为它能照葫芦画瓢，谁知画出来反而更差；让人物夹一筷子面，面条转起来的效果一眼就假；招牌上的汉字，永远是那堆看着眼熟却认不出的乱码。

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。成本这么贵，用户不得不精打细算。

今天，咱们就站在一个天天被提示词折磨的使用者角度，横测Seedance 2.5、Kling 4.0、Vidu Q4 Preview、Wan 3.0四款模型。

这回横评只盯一件事：把指令遵循、素材保真、生成速度、失败重试全算上，谁交付一条可用视频更稳？对创作者，这关乎一条片子的真实成本；对刚做完独立融资的可灵，这也是180亿美元估值要给出的最终答案。

打戏：凌玲和薛甄珠在办公室“打起来”

跟真实拍摄比，AI生成视频最容易被“一眼假”的片段就是打戏。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。

视频模型打戏行不行，我们搭了个现代办公室版《叶问》来试：让“薛甄珠”和“凌玲”在办公室里实打实过一招。

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】：右边那位穿米色风衣、戴眼镜的女人（凌玲）恼了，猛地抓起桌上的一叠文件夹朝左边甩过去；左边穿豹纹大衣、涂大红唇的卷发老太太（薛珍珠）眼神一冷，左臂挎的橘色皮包一动不动，右手快如闪电使出一记咏春『摊手』，把文件夹精准拍飞，A4纸漫天炸开！老太太跟着就压上去，双拳像加特林机枪一样往对方米色风衣胸口连砸8记，每一拳落下都带出明显的风衣布料凹陷气浪，对方被打得连连后退，根本招架不住；

【第5-10秒】：老太太顺势沉肩拧腰，右掌由拳化掌，一记势大力沉的耳光结结实实抽在对方左脸颊上！镜头随即切进240帧升格慢动作——手掌贴上脸的刹那，对方脸颊软组织剧烈地波浪状挤压变形，鼻梁上的细框眼镜被这一巴掌扇得歪斜脱飞，在空中打着转摔碎在地上，发型全乱了；

【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前，对方整个人双脚离地向后倒飞，后背重重砸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摔到地上。老太太利落地收拳，优雅地整了整豹纹大衣领口，涂着红唇的嘴角冷冷一哼。

Seedance 2.5在这里的表现可圈可点，耳光抽中瞬间的脸部肉挤压效果做得很逼真，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大体把提示词里的需求还原了，比如拍飞文件夹和最后的冷笑，扇巴掌的效果也算合理，只是连续出拳时力道感觉偏弱，另外飞在半空的眼镜多出了一条眼镜腿。

Kling 4.0的出拳效果还算不错，但主角扇巴掌时对面眼镜“飞出”的效果不太符合物理规律，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，连续出拳后对手后退的效果有点卡顿、扇巴掌变成了拳头、眼镜飞出的效果更离谱，在打戏上表现不太理想。

情绪表演这一项，考的是“由悲转喜”再“由喜转悲”的连续切换。

短剧、长剧演员的饭碗，AI已经伸手来抢了。可它的表演到底能不能跟真人比？差多少？是一眼就看穿，还是已经接近普通水准？

周星驰

我们照着短剧套路给AI男主写了段戏：彩票中了奖，转眼又过期。让他一口气走完极度悲伤、震惊狂喜、笑容凝固、崩溃苦笑四个阶段，中间不能断：

测试提示词：

【第0-4秒（悲恸落泪）】：昏暗的出租屋，泡面桌旁，一个胡子拉碴的落魄年轻男人，眼神空洞而绝望；通红的眼眶里泪水终于兜不住，一滴顺着粗糙脸颊真实滑落，嘴角痛苦地向下抽动；

【第4-8秒（瞳孔地震与带泪狂喜）】：他盯住手里那张皱巴巴的蓝色彩票，瞳孔猛地放大，呼吸像停了一样；紧接着，泪痕还没干，眉眼和嘴角就控制不住地疯狂上扬，破涕为笑、欣喜若狂（脸上的湿泪和露齿大笑必须同时保留），两只手激动得直抖；

【第8-12秒（笑容瞬间僵死）】：正狂喜着，他目光忽然下移，扫到彩票底部“已过期”几个字，高高扬起的苹果肌和嘴角在1秒内失去全部张力，像断了电一样僵着垮下来，眼神从极度狂喜一下跌进彻底的呆滞死寂；

【第12-15秒（绝望苦笑）】：他手指一松，彩票飘出画面，缓缓闭眼深吸一口气，再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。

整体看，Seedance 2.5对脸部肌肉的控制很到位，前期嘴角抖动的细节明显，最后那下苦笑也更真，四个模型里它排在最前。

Kling 4.0也不差，问题出在中间狂喜那一段，面部扭曲得过猛；Vidu Q4 Preview前期“手抖”来得偏早，好在最后崩溃的眼神戏出彩，有突然茫然起来的细节。

Wan 3.0前面还撑得住，结尾苦笑没演好，更像是在表达“无奈”。

多参考素材一致性：AI能不能把每个素材用明白

早先做视频，最让人抓狂的是人物一转身就换了张脸，镜头移开再回来，旁边的东西也变了样。为了保住一致性，各家如今都上了参考生视频功能，用户可以上传做好的素材，让它们出现在视频里，眼下普遍的基准线是支持15个图片参考。

直接开测。先用AI生成主角和道具的图片，再让几个视频模型照着重现一版低配《华强买瓜》。

测试用的提示词是这样的：夏天的街头，水果摊旁立着一把红蓝白三色条纹的遮阳伞。画面左前景，脖子上挂着金链子的华强（图1）面无表情地盯着桌面；右边那个穿印着“保熟”字样白背心的光头老板（图2）热得直冒汗；左后方，染着绿头发的小伙（图3）骑坐在小电驴上。

0-5秒：华强摘下墨镜，用音频1低声发问；光头老板堆起假笑、心虚地回应，背心上“保熟”二字看得清清楚楚。

5-10秒：镜头推近到电子秤（图4），红色“15.8”闪烁，秤上放着条纹大西瓜（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），啪地拍在西瓜旁边。

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Wan 3.0表现最好：场景保住了，遮阳伞也只有它做到一比一还原，后面磁铁、电子秤这两样别的AI都出错的物品，它也还原了。瑕疵同样明显，比如瓜瓤一开始是白色，扣到头上却变成了红色。

另外三个模型各有各的错。Kling 4.0把电子秤底座弄成了绿色，秤上的数字也变了；Vidu Q4 Preview只错了伞，瓜瓤从头到尾都是红的，其余没问题；Seedance 2.5这边，看戏小伙的电动车不见了，磁铁也变成了圆形。

互动方面，Kling 4.0和Vidu Q4 Preview更好一些。精神小伙“看戏”的设定它们记住了，提示词里没明写，小伙也会跟着情节做出吃惊之类的反应。

长叙事能力：九步斗舞，谁能笑到最后？

只拍几秒钟的视频没什么意义。视频模型真要进工作流，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跳一段《Updown Funk》，一口气写了九个连贯动作，看谁能从头执行到尾。

一段连续9步的长Prompt，摘出来是这样的：①一头银发、身穿黑皮衣的大佬朝人挑衅地招手；②西装女总裁伸手指向对面；③黑皮衣大佬横着挪步，学螃蟹走路；④摸出钞票枪，对着天空扣下扳机……后面还接着击掌不穿模、踢腿交叉步、单膝跪地滑行、交叉拍肩、终场定格等，一共9个动作。

从实测结果看，Seedance 2.5与Wan 3.0基本把要求的动作都还原了出来。综合比较，Seedance的表现排在最前：舞步衔接顺滑，玩具喷钱枪喷出的效果也更接近真实。

Vidu Q4 Preview只支持最长16秒生成，可它照样把九步动作全塞了进去。问题出在收尾：最后“AI Boss”灯牌成了乱码，真人质感也比其他模型弱一些。

可灵 4.0这轮漏了动作。倒数第三步“双臂交叉拍肩”被它跳了过去，玩具喷钱枪从怀里掏出的画面是悬浮状态，镜头几次旋转也显得有点突兀。

吃意大利面：AI一直过不去的那道坎

在AI视频这一行，“吃意大利面”是道让人印象很深的难题。几年前“威尔史密斯吃意大利面”的测试一出来，扭曲的脸、生硬抓握的手、胡乱吞咽的样子，再加上扭动的面条，AI吃面有多难一眼就能看明白。

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，这些动作都要合乎真实。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】：办公桌前，扎丸子头的女孩右手拿起金属叉子，手腕灵活转上两圈，把盘中几根裹满红色番茄肉酱的意大利面一圈圈紧紧缠在叉子尖端（必须呈现面条旋转缠绕成团的物理过程，严禁直接平叉）；接着她把卷好面的叉子往上提，面条受重力自然垂坠拉丝；

【第5-10秒】：女孩张嘴，把叉子上的面团准确送进嘴里，嘴唇合上咬住面条，右手利落地把金属叉子从嘴中向外抽出——此时抽出的叉尖必须是空的（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；随着她吞咽，杯里的橙汁遵循流体力学自然倾斜，等杯子重新放回桌面，杯内橙汁的液面高度必须肉眼可见地降到杯身一半以下（不可逆体积减少）。

这一关绝大多数模型都露了底。AI根本不会“卷”面，最多只能在盘子里象征性地用叉子卷一下已经成型的意面，Seedance 2.5和Wan 3.0身上这一点很明显。

Kling 4.0没按提示词呈现面条卷曲成卷的过程，不过它给人物安排的动作很自然，叉起来的面条也处于正常状态。

Vidu Q4 Preview的问题就很明显了：它没能在盘子里把面卷起来，可下一秒人物举起叉子，面条却自然变成了卷曲状态，穿帮一眼可见。

物理规律：牛顿摆的动量守恒

牛顿摆也是测试集里的经典题目。测它，主要看模型会不会处理碰撞、动量传递和时间演化。理想的牛顿摆是拉起一个球后释放，撞击其余球体，中间几颗不动，只有另一端的球弹开。

视频模型容易把画面做得逼真，却算错运动方式，比如球互相穿透、停半空、速度突然变化。

测试提示词：

五颗同样大小的钢球挂在细线上，居中的位置就是牛顿摆。用手把最左边那颗球拽起再松手，弹性碰撞便一颗接一颗发生。中间三颗球基本不动，最右侧那颗却马上荡了出去。动量和能量就这样逐级传下去，摆幅也一点点变小。机位固定在正前方、与视线齐平，镜头不晃。光线为自然光，金属球面上能看到真实的反射，还带一点淡淡的阴影。

这一项里Kling 4.0效果最好，球的速度接近真实，后续移动变化也没出错；Seedance 2.5的移动速度稍显过慢，整体表现倒也基本合乎真实规律。

Vidu Q4 Preview和Wan 3.0就差了些。前者出现两颗球重叠，开头还正常，5秒后开始乱飞；Wan 3.0从一开始就没做对，球不但动得慢，还乱飞。

光源追踪：火苗扫过脸部与下巴底光的表现

真人视频和AI视频的质感差距，还体现在阴影和局部微弱光影的追踪上。这次我们测试极暗房间里的光源轨迹追踪，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）】：他缓慢移动右手，把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、镜框与高鼻梁投在脸上的深色阴影，必须实时跟着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）】：头保持端正不动，右手把火苗竖直往下挪，停在下巴正下方悬住。光线随即变成极端的自下而上『恐怖片下巴底光』——下巴底部、鼻孔、上嘴唇和下眼袋全被照得通亮，眼窝上半部连同额头则沉进浓重黑暗里；

【第12-15秒（吹灭全黑）】：他低下头轻轻吹了一口气，火苗一下子灭了，画面瞬间进入100%彻底漆黑，只剩一缕青烟，眼镜片上最后一点余光也随之消失。

火苗横向扫过这一段，Seedance 2.5的效果最出彩，阴影整体都算真实，收尾时下巴底光的过渡也比较自然。

Kling 4.0前十几秒都表现得不错，可一到下巴底光就露了馅：打火机明明先移过去了，头部的光却晚了1秒才跟着变暗。到最后熄灭那一下，光影也乱了。

Wan 3.0没有做出那么强的对比光影，提示词要的恐怖底光它没照着来；Vidu Q4 Preview的打火机移动效果不理想，从左往右的整个过程没走完，不过单看光影表现，其实还算理想。

音画遵循 绕口令与嘎嘣脆的黄瓜

最后还有一项简单测试，看的是AI视频在影视工业里的应用，声音和口型必须对得上，观众才“不出戏”。

测试提示词：

【第0-7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7-10秒】：绕口令念完，他马上把左手攥着的新鲜脆黄瓜塞进嘴里，咔嚓一声咬下一大截（同时响起极其清脆响亮的立体声咬黄瓜咔嚓拟音），腮帮子鼓着嚼黄瓜，嘴里含糊不清，口型却严丝合缝地对着镜头说：『哎呀妈呀，这瓜真脆！』

实际测试里，Seedance 2.5和Kling 4.0都正常，这里就不展示了。

Vidu Q4 Preview几遍测试下来都出现读错字、读多字的情况；Wan 3.0则奇怪地用气音来配音，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，四个模型的优缺点我们都总结了出来，再结合时间与成本，建议各位按自己的需求挑合适的模型。

Seedance 2.5：实力没得挑，就是又慢又贵

实际测试中，多物品参考这一项Seedance 2.5不是最理想的，但复杂指令/长指令遵循、人物真实性、情绪等表现，它都明显强过其他模型。

问题在于它又慢又贵：按720p画质15秒视频、12积分1元来算，它要消耗300积分，折合一个视频25元。

另外我们掐表统计过，它生成一个十秒左右的视频，不算排队时间就要花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

物理规律这一项，Kling 4.0的表现有点矛盾：吃意面、牛顿摆都可圈可点，可到了破坏性场景，物理规律又有点“假”。

不过在刚才这一系列测试里，Kling 4.0基本总能排进Top2。

跟Seedance 2.5比，Kling 4.0更突出的优势在性价比：按100积分5元的价格，同样生成720p画质15秒视频只需150积分，单个视频成本算下来7.5元，大约是Seedance 2.5的1/3。

生成速度上，Kling 4.0有些时候也明显快过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。

一致性这项，Wan 3.0成了唯一没翻车的那个：遮阳伞照原样1:1还原，秤底的磁铁、闪烁的电子秤这两个道具，别的模型全都没守住，它守住了。放到电商带货、产品广告这类场景里，这个本事应该会比较吃香。可物理规律和打戏就露怯了——牛顿摆一开局就乱飞，打戏里扇巴掌成了出拳，连续出拳还一顿一顿地卡。

按100积分10元、单个15秒视频67.5积分来算，720p画质15秒视频折合6.75元，比Kling 4.0略便宜一点。慢是它的大问题，生成速度和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：便宜是便宜，但偏科偏得厉害。

真要比整体表现，Vidu Q4 Preview在“演戏”这类影视工业环节更拿手。打戏基本照着提示词还原了，情绪戏也够饱满；就连吃根黄瓜，人物情绪的起伏都比其他模型更足。

麻烦在于它挺依赖抽卡。碰上考察真实性的地方，表现就不够看了：飞在半空的眼镜多出一条腿，意面在盘子里没卷起来，下一秒举起来又凭空变卷了。

四个模型里，Vidu Q4 Preview的价格排“第二”低。按69元800积分、单个15秒视频90积分来算，720p画质15秒视频是7.76元，只比Wan 3.0高一点，可出片速度比它快不少——10秒视频大概2-3分钟就能搞定。