经济观察网 9月25日，生数科技正式发布新一代图生视频大模型Vidu Q2，在表情变化、推拉运镜、生 成速度及语义理解方面有所进展， 主要包括图生视频、首尾帧视频、时长可选（2-8s）、电影大片及闪 电出片两种模式。 ...

文章核心观点 - 图生视频模型在语义理解、动作逻辑和物理规律方面仍存在显著瓶颈 但已能有效解决创作流程中的"微任务" 未来需向段落生成和工作流嵌入方向演进 [50][51][52][53][54][55] 测评产品与范围 - 测试覆盖9款主流图生视频产品 包括Google Veo3 快手Kling 2.1 字节Seedance 1.0 MiniMax Hailuo 02 生数Vidu Q1 Runway Gen-4 Midjourney V1 Pixverse V5和百度蒸汽机2.0 [7] - 测试时间为2025年8月 所有模型在统一条件下生成5秒视频 不调整除提示词外的附加参数 [9][13] 测试场景设计 - 测试包含三大类场景：职场与商业场景（品牌开场视频/企业节日物料） 轻创作与社交表达（宠物拟人/风格混合） 概念演示及创意实验（奇幻场景/ASMR音画同步） [11][16] - 评估维度包括语义遵循度（核心要素还原） 物理规律（动作自然性） 画面表现力（分辨率/光影/流畅度） [16] 关键测试结果 - **文字生成能力薄弱**：除Hailuo外所有模型均未能准确生成"JinQiu Capital Annual Summit 2025"字样 出现乱码或忽略指令 Veo3存在跨语言处理缺陷 [17][18][19] - **音画同步能力分化**：仅Veo3和百度蒸汽机默认输出音效 Veo3音画契合度最高 在ASMR测试中其玻璃质感音效表现最佳 [20][49] - **复杂动作链断裂**：宠物递礼盒任务中无一模型实现"从身后取出-递出"完整动作 变身企鹅任务中仅Pixverse基本实现变身牵手跳舞 [30][35][39] - **物理规律普遍违规**：潮汐墙形态异常 物体受力不合理（如飞船受力错误） 礼盒凭空出现或形态变化等问题广泛存在 [25][36][44][45] - **文化语义理解差异**：春节机器人拜年任务中仅Hailuo和百度蒸汽机准确生成中国传统"拱手"动作 其他模型呈现为双手合十 [26] 模型性能对比 - **综合表现领先模型**：Veo3在品牌场景结构完整性和音画同步方面突出 Hailuo在文字生成和文化动作准确性上优势明显 [21][26] - **可直接使用场景**：Veo3的节日物料视频具备直接使用价值 Midjourney在宠物任务中真实感强 Pixverse在变身任务动作连贯 [25][31][36] - **功能覆盖差异**：Veo3仅支持英文输入 百度蒸汽机与Kling具备中文音视频一体化能力 各模型定价策略差异显著（月费10-80美元不等） [12][19] 行业技术瓶颈 - 当前模型仍处于"点状生成"阶段 无法实现段落级叙事构建 在风格迁移测试中全部失败（如辛普森真人化转换） [51][55] - 核心限制包括动作链条断裂 物理规律脆弱 文字生成与跨语言处理薄弱三大短板 [39][45][51] 应用价值定位 - 核心价值在于解决"微任务"：快速生成会议开场动画 社交媒体轻量化内容 创意视觉草图和ASMR片段 [52][56] - 无法替代拍摄剪辑 但可作为生产流程的辅助工具用于前期预演和过渡片段生成 [54] 技术演进方向 - 需从"能动"升级至"能演" 重点突破动作连贯性 镜头语言和情绪节奏控制 [53] - 从趣味生成工具转向工作流嵌入式组件 实现人机协同编导的多轮交互模式 [54][55]

文章核心观点 - AI视频模型在技术迭代速度上表现迅猛 但普通用户在实际应用场景中面临复现困难与工具选择复杂的问题[2][3] - 测评聚焦文本生成视频任务 从真实创作需求出发评估8款主流模型的实用性能 发现当前技术更适合作为创意草图工具而非直接生产工具[5][8][57] - 模型在语义理解、动作连贯性、物理逻辑等维度存在显著差异 其中Veo3、Hailuo02、Kling1.6等模型在多项测试中表现突出[28][34][42][49][54] 测评模型与范围 - 测试覆盖8款主流视频生成模型：Veo3、Hailuo02、Jimeng3.0、Kling1.6、Seedance1.0、Pixverse V4.5、Vidu Q2、Luma Ray2 这些模型构成ToC侧视频生成应用的核心能力底座[11] - 测试时间为2025年7月 Jimeng3.0实际调用Seedance 1.0 mini模型 因完整版仅对会员开放[11] - 模型定价策略差异显著：Veo3会员起价19.99美元/月 Hailuo02海外版9.99美元/月 Kling1.6海外版6.99美元/月 Seedance1.0会员79元/月 Luma Ray2会员9.99美元/月[12][13] 测评任务设计 - 设计5类代表性视频创作任务：写实动作类、商业素材类、情绪镜头类、审美想象类、复杂动作类 每类任务包含开放式与细节型两组prompt[15][16][17] - 总计10组任务 从结构、动作、情绪、视觉风格等多维度全面测评模型底层能力[19] - 评估标准基于创作可用性 包含语义遵循、物理规律、动作幅度、镜头语言、整体表现力5个核心维度[20][21][22][23][24][25] 模型性能表现 - 写实动作类任务中 Veo3、Seedance与Hailuo02在动作连贯性方面表现最佳 Veo3在物理质感与视觉真实度上尤为突出[28] - 商业素材类任务所有模型均达到最低可用门槛 但Veo3在皮肤质感和动作链执行上表现最优 Kling与Seedance在物理反馈上具真实感[34] - 情绪镜头类任务中 Hailuo02与Kling1.6动作组织连贯 Veo3在情绪细节呈现和镜头语言上更具表现力[42][43] - 审美想象类任务中 Seedance与Vidu对自然元素动态感捕捉出色 Veo3、Kling1.6、Vidu在镜头调度上流畅[49] - 复杂动作类任务中 Hailuo02、Kling1.6和Veo3在动作节奏与场景还原上表现优异 Veo3和Hailuo02在风格切换上最流畅[54] 技术局限与应用场景 - 当前文生视频模型更适合快速视觉草图生成、视觉美术创意探索、个别动作展示三类任务 无法满足结构精度要求高的商用素材、物理逻辑复杂的故事片段、动作密集型段落[57][65] - 模型普遍存在物理逻辑错误：Jimeng3.0和Hailuo02出现手指数量异常 Luma、Pixverse、Seedance出现物体融合错位[35] - Prompt长短对效果影响有限 但Hailuo02对长prompt适配性显著提升[56] 行业发展趋势 - 下一代模型需提升结构性任务闭环能力 加强语义理解与执行一致性 改善局部细节稳定性与物理合理性[60][61][62] - 图生视频模型在广告、电商等高一致性要求场景中展现更早的实用潜力 但仍需解决动作组织和风格统一问题[62][63] - 现实应用策略是将模型融入工作流 进行Demo生成-局部微调-部分替换的协作模式[59]

百度Steamer-I2V模型技术突破 - 百度视频生成模型Steamer-I2V以89.38%总分位列VBench图生视频榜单第一 超越OpenAI Sora和谷歌Imagen Video等知名模型 [3] - 模型具备像素级画面精准控制能力 支持多模态条件输入包括中文文本提示和参考图像 确保与创意意图高度一致 [10][11] - 基于Transformer扩散架构生成1080P高清视频 通过多阶段训练优化时间一致性和运动规律性 消除AI生成内容常见的抖动和闪烁问题 [12][13] 图生视频赛道商业化优势 - 图生视频模式提供更高可控性和稳定性 生成成本不到传统视频制作的1/20 更易被品牌和企业用户接受 [7] - 相较于文生视频存在生成结果不可控问题 图生视频给予明确起点 显著降低商业化难度 [6] - 在影视创作领域 结合AI图片工具制作分镜后生成视频成为新兴工作流程 催生图生视频需求 [7] 百度AI生态战略布局 - 模型构建亿级规模中文多模态训练数据库 通过三级数据优化体系实现专业级中文概念解析能力 精准捕捉文化特定元素 [14] - 百度年初推出"百看"搜索支持多模态输入 商业系统升级为"百度伴飞" 在智能问答/短剧/游戏等新场域释放商业空间 [17] - 公司正构建覆盖搜索/文档/视频创作的全方位AI内容生态系统 实现用商一体无缝集成体验 [18] 行业竞争格局变化 - 百度在未进行大规模宣传情况下取得技术突破 体现其低调务实的产品开发策略 [21][22] - 中文语义精准理解成为百度独特竞争优势 中国创作者可直接使用中文表达创意而无需依赖英文翻译 [14][15]