新智元报道
新智元报道
这一周的AI视频圈，简直是神仙打架。
10月15日晚，可灵4.0全量上线，重点补强了大幅度动作和复杂运镜，单次原生生成最长拉到30秒。
全能参考也同步升级，还能组合最多15项参考素材、用10张关键帧控制画面，让人物、场景和镜头的安排更可控。
这里面最突出的特点，就是打戏这次补足了，来看效果。
另一边，有人把目标放在了长片上：给一句提示词，生成最长10分钟的完整成片。
10月21日凌晨，YC孵化的VideoGen发布首个视频模型Model 1。从剧本、对白到分镜，都交给AI规划，再生成、剪接成片；同时拿出100万美元免费额度，支持入选的创作者项目。
同一天，火山引擎上线Seedance Managed Agent，瞄准短剧里剧本跑偏、剧情混乱的问题。按官方数据，剧情混乱问题减少了约54%。
当晚，ElevenLabs旗下的ElevenCreative上线Chimera，直接把Seedance 2.5和自家的Eleven v4并称为「全球领先的两个模型」：Eleven v4把情绪放进声音，Seedance 2.5把它带到脸上。
30秒原生生成、10分钟成片、剧本不跑偏……各家的目标越来越清楚：让AI从拍出一个好镜头，走向拍完一个好故事。
可一整场戏交到AI手里，它到底能不能照着剧本拍？
我们用相同的提示词和参考素材，对可灵4.0、Seedance 2.5、MiniMax H3 Max和万相3.0做了一轮实测。
第一个测试的，是参考生功能，这也是目前创作者使用模型最主要的方式。
我们给可灵4.0、Seedance 2.5、MiniMax H3 Max和万相3.0用一张底图作为参考，拍一场悟空和黛玉的对手戏。
最难的，就是把两人之间的暧昧感拍出来。
剧情设定
黛玉坐在池边安静垂钓，悟空嫌慢，用金箍棒轻点水面，把一条鲤鱼托进木桶，转头得意邀功。黛玉先看鱼，再抬眼，停半拍才笑着说：「我钓的是清静，不是鱼。」悟空收起得意，回一句「那俺陪你」，放下棒子，坐到她身边。
可灵4.0的表现让人惊喜，把林妹妹的小心思拍出来了。美中不足的是，道具稍微有一点bug：大圣手中凭空变出一根鱼竿。
MiniMax H3 Max和万相3.0也都把剧情拍了出来，就是两个人之间少了点暧昧的火花。
还得是Seedance 2.5，CP感一下就来了。黛玉托腮抿笑，悟空猴脸靠近，张力十足，两个人之间的小情调演活了。
在这个case里可以看出，各家在参考图片生视频的执行上都不错。但在情绪上，Seedance 2.5的人物情绪刻画更更鲜活一点。
今年视频模型的真人感已经越来越强了，模型听不听话反而成了创作者的刚需。
我们用4个题来综合看看模型听不听话到底体现在什么地方。
文生视频，最能体现一个模型的底子。
这次我们不给首帧，只给文字，让可灵4.0、Seedance 2.5和万相3.0生成这个情节——
在一座美术馆中，画中人溜出来，把值夜班的保安哄进画里替班。注意，穿越、变身是最容易穿帮的。
剧情设定
深夜闭馆，画里的绿裙女子偷看打瞌睡的保安，提裙跨过低低的画框，油画笔触随身体走出逐渐变成真人皮肤和布料。她叫醒保安，牵着他说：「替我站一会儿。」保安跨进同一幅画，转身坐上画内的红椅。彻底成为油画的保安委屈地问：「……一会儿是多久？」
可灵4.0的动作刻画非常利落，但女孩出画时有点穿帮，保安进后，也还保持着真人脸，有些贴片感。
万相3.0的油画笔触和浓郁色彩非常显眼，真人感也很强。可惜进画时卡了壳，保安半个身子还凸在画框外。
Seedance 2.5 执行得最好：保安一坐下，脸和制服瞬间染上厚涂油画的质感，保安和画融为一体。美中不足的是，进画时多迈了一次腿，动作不够利落。
整体来说，Seedance 的指令遵循特别好，对于文生视频这种考验模型极限能力的场景，它的表现比较优秀，30s的场景可用性最强。
下面这场戏，考察的是场景的指令遵循。
Prompt要求：戏台下只留下一个老人。
剧情设定
冬日傍晚，大雪一直下，荒野里一座孤零零的戏台，台下正中央只坐着一个老人。虞姬先独自唱完「看大王在帐中和衣睡稳，我这里出帐外且散愁情」，锣鼓过门后，霸王才从舞台左侧登场，接唱「今日里败阵归心神不定」。
Seedance 2.5按提示词要求，台下只生成一个老人，寂寥的氛围感立刻就有了。
可灵4.0这边，台下乌泱泱坐了好几排观众，一下变成了乡村大舞台，氛围感不太对了。
场景遵循这一场，Seedance 2.5胜出。
接下来的考题，让模型参考一段「画中人活过来」的视频，用文字指定五幅名画，生成展厅里的传扇接力。
这道考题，细节实在太多了。仕女要雍容，醉仙要疏狂，牵马人要利落；同一把圆扇还得按顺序完成四次交接。
哪个模型能成功完成？
剧情设定
五幅名画在展厅并排挂好，仕女将一把圆形纨扇抛出画外，醉仙接住后用陕西话抱怨「谁嘛，搅了额的美梦！」，再传给牵马人。牵马人翻腕甩出，渔翁接棒，提醒一句「可不要吓到我的鱼儿」，最后交给琴师，搁在琴案上收住。
一把扇子、五个人、四次交接，每一棒都要拍清抛出和接住。人物动起来以后，仕女仍是工笔重彩，醉仙仍是泼墨，牵马人保留白描线条，渔翁周围的大块留白也不能消失。接力要连贯，各幅画又不能被揉成同一种画风。
可灵4.0的场面很丝滑流畅，但复杂指令遵循不够好：圆扇变成了折扇，还漏掉了第二幅，传到第三幅只见马不见人。
Seedance 2.5执行得好一点，始终保持同一把圆扇、四次抛接。不过，它也出现了一些小bug，比如在第三棒把牵马人改成了骑马人。
总的来说，Seedance 2.5准确完成了四次交接，在复杂指令遵行上更优。
剧情一长，镜头就得跟着人物的处境变化。各家模型的镜头语言怎么样？
为此，我们把冲突放进赌场：黄毛掀桌闹事，十三娘从含笑应付到被激怒，再冷笑着把人拉进赌局。机位和表情，都得把这股火药味拍出来。
剧情设定
给可灵4.0和Seedance 2.5同一张原创旗袍人像、同一段合成读文音频，按同一份提示词拍30秒。黄毛掀翻赌桌，十三娘掀开珠帘，先从容应对；遭到调戏后突然发怒，再迅速恢复笑容，拿起骰盅，让对方赌输了就跪着捡筹码。
可灵4.0的人物和旗袍从头到尾都很稳，画面精致、颜色不失真，但在掀桌等细节上稍微有点小bug。另外，十三娘大多正对镜头，机位变化不多。
在镜头语言上，Seedance 2.5的表现力非常生动。黄毛掀桌的瞬间，镜头便压到贴近地面，筹码和骰子瞬间飞起，再以慢动作砸落。这是电影级别的运镜。
不过，2.5中段有个镜头从中景猛地推到人物脸上，有些短剧味。
在镜头语言上，两家各有千秋。质感上，Seedance 2.5的更偏电影感，可灵4.0的画面有些油蜡感。
龙舟赛的考题，是对画面物理还原极大的考验，划桨的动作、身体的起伏必须和水面对得上。
剧情设定
多条龙舟在江面并排竞渡，每船二十余名划手跟着鼓点同步前俯后仰、挥桨入水。船头鼓手高举双槌、击鼓喊号，船尾舵手掌舵，两岸观众摇旗助威。
镜头从低机位侧面跟船开始，依次给到桨叶破水、手臂绷紧、汗水滑过脸庞和鼓手发力的近景；水花要有慢动作细节，最后升到空中拍群舟冲线。
可灵4.0的整体完成度不错，但是仔细看，桨入水时仿佛没有阻力，好像在空气中划桨一样，这种细节刻画得不够精细。
Seedance 2.5展现了极佳的表现力。
它直接把镜头压到船舷边，人物探身、桨入水，桨叶的运动和水的反应很自然；甚至还给了划手肌肉绷紧、满脸汗水的特写，刻画出了力量感，物理表现力上更强一点。
山羊这段，我们试的是视频续拍。
我们把一段山羊失足跌落的动画交给模型，让它接着往下演。
剧情设定
承接参考视频里踩松石的瞬间，山羊失足坠落，一路撞上山石、弹起、翻滚，皮毛沾满灰尘。镜头跟着它下到湖边，斑马惊叫着散开。
山羊随后向画面右侧弹起，落地再滚一段，最后四脚朝天地停在另一只斑马腿边。后者岿然不动，只动动耳朵。一镜连续跟拍、声音顺接。
一眼看上去，Seedance 2.5的羊非常Q弹，一滚一滚地太可爱了，甚至最后还打起来水漂，物理规律表现力非常生动。
可灵4.0的山羊滚下来的画面，缺少一些弹性，不过整体来说也完成了一段很精彩的视频。
几个极限测试扒下来，结论很清晰了。
Seedance2.0之后，参考生成成为创作者使用模型最主要的方式，各家模型也开始比拼全能参考的能力。在参考图片生视频上，这几家模型都还算听话，一致性都不错。
在文生视频和复杂指令上，交给Seedance2.5最放心。Seedance 2.5把动作、物理规律、复杂叙事和运镜处理得更细腻，主打一个听指挥。
可灵4.0在打戏上有了进步，有了Seedance2.0打斗的感觉，同时画面色彩饱和度也会更高。
奥斯卡提名编剧Nicholas Kazan的电影《Cortés》已经开机
现在国内大家都开始卷长剧和IP，创作者更在意的，是写下的动作、情绪和转折，能否稳定地留在成片里。模型就更要记住：主角长什么样，故事走到了哪一步。
这就是为什么我们这篇评测的核心。听不听话、可不可控，已经成为AI视频下一步的核心关键。
谁能听懂导演，把一场戏从头到尾拍完整，谁就能拿到下一场战役的入场券。
编辑：摩西 Aeneas