视频模型也迎来DeepSeek时刻？Vidu Q4预览版0.09元每秒

AI 视频生成进入新竞争阶段。继大模型行业经历 DeepSeek 时刻后，视频模型也逼近类似节点：性能、效率与可用门槛同时探向极致。生数科技推出的 Vidu Q4 Preview 是阶段性成果，聚焦更细腻的人物演绎、更有张力的镜头语言和更具冲击力的复杂视效，首发价 0.09 元/秒起。

过去一年，中国视频模型表现突出。Seedance 综合实力领跑，可灵凭借影像质感和消费级扩散能力建立大众认知，Vidu 则以技术根基和世界模型研究后劲见长。Vidu 曾率先提出 U-ViT 架构，发布中国首个全面对标 Sora 的视频模型，首创“参考生视频”和多主体一致性。Vidu 2.0 将生成时间压缩至 10 秒以内，Q3 实现 16 秒声画同出，Q4 让旗舰模型人人用得起。

Vidu Q4 Preview 支持最多 15 张参考图、参考音色输入，以及 2K、4K 画质输出。首发价 0.09 元/秒起，同样预算最高可生成 5 倍内容，创作者能以更低成本反复试拍。目前该版本只是正式版上线前的提前亮相。

Vidu 作品形成鲜明风格心智：高动态动作、快速运镜、强情绪表演和复杂视效，尤其动漫效果好，被用户概括为“Vidu 味儿”。海外创作者社区中，这一风格已形成明确口碑，日本 AI 动漫创作者多次认可，全部用 Vidu 生成的 AI 动漫作品在 YouTube 获数十万播放。动漫对动作连贯性、镜头调度、角色一致性、细节动态和情绪爆发要求很高，稳定生成高燃动漫意味着模型在时间、动作和空间关系上有更强控制能力。这与生数的世界模型路线相通：用户看到的是动漫很燃、动作很顺、镜头很带感，技术上对应模型对动态世界的建模能力。

生数科技定位通用世界模型公司。在其五级路线中，Vidu 主要对应第一级“生成世界”，学习人物、物体、运动、空间关系和场景动态；Vidu S 系列加入实时交互，Motus 与 Motubrain 将预测能力延伸到物理行动。视频预测是世界建模的基础形式，视频越长、运动越复杂，对长序列建模和状态记忆要求越高。

低价背后也是模型能力。视频生成长期受算力成本与“抽卡式生成”制约。若模型持续生成身份漂移、动作断裂或商品变形内容，单次价格再低，创作者仍要付出筛选、返工和等待成本。Q4 Preview 强调传神表现力，降低人物漂移、动作断裂、镜头失序和特效脱节带来的整段返工。最多 15 张参考图、3 段参考音频及 2K、4K 输出，覆盖角色控制、音色延续和交付画质等环节。

生数团队长期研究效率问题：SageAttention 用低比特计算加速注意力，SLA 将稀疏注意力与线性注意力结合，TurboDiffusion 组合注意力加速、少步生成、量化和工程优化，在特定条件下取得百倍级加速。相关技术已在 Vidu S1 实时视频生成中产品化应用。数据显示，Vidu Q4 Preview 图生视频速度约为同类模型 2 倍，5 秒视频最快约 110 秒完成。速度提升缩短等待时间，提高单位算力任务吞吐量，成本获得下探空间。对创作者而言，更重要的是“可用成片成本”：一次生成便宜，加上模型对角色、镜头和参考素材控制更稳定，获得可用素材所需尝试次数减少，价格优势才能转化为工作流实际节省。

实测中，一段无台词情绪独角戏仅用一张女性人物图和一张木质厨房环境图，全程固定近景不切镜，人物需连续完成压抑、落泪、失笑、爆发和释然等多段情绪变化，灯光从暖光移向侧光、逆光再回落，Vidu Q4 Preview 完成度很高，无明显“换脸感”，五官、短发和服装无明显漂移。另一支广告中，Vidu 在 16 秒内完成桌面广角推进、前景遮挡、红色圆形转场、产品匹配接取、俯拍群像、低机位、弧形群组运镜和产品定格，产品始终保持较高辨识度。特效方面，一张静态家居图被做成 8 秒“空间组装秀”。