生数科技 Vidu 闯入全球 AI 视频前三，起价每秒 0.014 美元

生数科技于 10 月 7 日发布 Vidu Q4 Preview，发布二十四小时内就把该模型送上 Artificial Analysis 图生视频基准的全球第三 —— 这是本轮竞争周期里任何中国 AI 视频创业公司录得的单代排名跃升中最惊人的一次。这家北京公司同时把入门级 API 定价降到约每秒 0.014 美元，低于同一性能档位的多数竞争者，并称与其上一代旗舰相比，同样的花费能换来五倍的产出量。

接近顶尖的基准表现与同档最低的定价相结合，代表中国 AI 视频竞争格局一次真正的结构性转变。自当前这一代模型开始以来，第一次有一家没有母公司科技巨头分发网络或算力预算的公司，在最受关注的第三方排名上超过了字节跳动和快手的产品。这个结果给在位者施加了直接压力：不只要在能力上回应，还要在经济性上回应。

定义 Q4 Preview 的那次基准跃升

Artificial Analysis维护着一个图生视频模型的两两人类偏好排行榜 AA-Video-I2V v1.0，采用 Elo 评分系统，模型在盲评投票中一对一较量。据对该榜单更新的独立分析，10 月 8 日的更新把 Vidu Q4 Preview 排在第三，Elo 1179 分，仅次于 MiniMax H3 Max 的 1195 和 MiniMax H3 的 1181。

更有意义的数字是 Q4 Preview 与生数科技自家上一代模型之间的差距。Q4 发布前，Vidu Q3 Pro 在同一榜单上排第 19 位，Elo 约 1056。一代之内跃升 123 个 Elo 点，足以超出让相邻排名实际上等同的 ±10 分统计噪声范围。Q4 Preview 与现任领先者 MiniMax H3 Max 之间 16 分的差距也是可分辨的。实际的解读是：Vidu 已经从能用的第二梯队，走到了在这项具体任务上只有两个系统胜过它的位置 —— 而且两者出自同一家开发商。

解读这个排名有一个重要的限定。AA-Video-I2V 榜单用人类偏好投票衡量图生视频；它与衡量文生视频模型的 AA-Video-T2V 榜单是分开的，Elo 标度也分开。两个榜单的分数不可比较。在 Seedance 和 Wan 模型表现强劲的 T2V 榜上，Vidu Q4 Preview 根本不出现 —— 因为 Q4 Preview 不含文生视频模式。这个排名成就是真实的、经独立验证的；其范围专指图生视频。

Vidu Q4 Preview 究竟如何工作

生数科技的模型建立在一种叫 U-ViT 的扩散 transformer 架构之上，由清华大学研究人员于 2022 年 9 月首次发表。U-ViT 与早期扩散模型使用的标准 CNN 式 U-Net 主干不同，它把所有输入 —— 带噪的图像块、时间步嵌入和条件信号 —— 都当作同一个 transformer 栈里的 token。transformer 浅层与深层之间的长跳跃连接在生成推进时保持空间连贯。这个架构早于2022 年 12 月在 Meta AI 的 FAIR 团队提出、后来成为几家西方竞争者基础的 DiT（扩散 transformer）设计。

Vidu Q4 Preview 提供两种生成模式。图生视频接收一帧起始画面加一段文本提示，生成最长十六秒的片段。参考生视频允许创作者提供最多十五张参考图和最多三段音频参考；模型合成的视频在整个输出中保持所引用的角色、场景和道具的视觉一致。第二种模式对结构化的制作流程尤其相关，那里让一个角色在许多独立片段中保持同一外观是制作瓶颈。两种模式都可通过Vidu 平台使用。

Q4 版本把技术升级集中在三个方面。角色表演的改进旨在让情绪状态从面部表情贯通到全身姿态，使角色的身体反应跟随一场戏的起伏，而不只是停留在脸上。镜头语言的改进把模型的库扩充到跟拍、推轨、环绕、推进、拉远、升降和旋转，目标是在相机穿过画面时保持空间连贯，而不是靠剪切。复杂视效 —— 爆炸、火焰、烟雾、粒子、能量冲击 —— 更新为与周围的光影动态互动，而不是浮在表面的叠加。

输出分辨率从 540p 到 4K，10 位色彩，支持五种画幅比例。生成 API 是同步的，返回的输出 URL 在二十四小时内有效。值得注意的是，Vidu Q4 Preview 发布时不开放细粒度的运动控制参数 —— 没有帧率控制，没有显式的关键帧条件 —— 这简化了面向普通用户的 API 表面，却限制了习惯了 Kling 4.0 和一些 Runway 产品所提供的关键帧式界面的专业流水线集成者可用的精确时间控制程度。

十六秒的片段上限反映了一个有意的取舍。更长的片段需要更大的时间上下文窗口，推高推理成本，也让角色和空间的连贯性在更长时长内更难维持。十六秒足以覆盖一个典型的广告镜头或短剧场景，更长的序列由后期的多片段拼接处理。后续版本能否在保持 Q4 角色表演改进的同时抬高这个上限，将是下一个产品周期里备受关注的指标。

Q4 Preview 在竞争格局中的位置

2026 年浮现的中国 AI 视频模型领域，可以看成三种不同的竞争策略共用一张排行榜。字节跳动的Seedance 2.0采用双分支扩散 transformer 架构，其主要竞争优势来自字节跳动的内容分发生态：一个深度嵌入在服务数十亿短视频用户的同一套基础设施里的模型，在收集偏好数据和分发触达上有结构性优势。快手于 9 月 28 日发布的 Kling 4.0 主要靠在特定垂直领域 —— 短剧、电商、直播 —— 的商业渗透竞争，支持最长三十秒的片段和多关键帧控制，对结构化制作流水线有吸引力。Kling 报告到 2026 年中年化经常性收入接近 5 亿美元，这个数字显示了 AI 视频生成的商业市场发展得有多快。

生数科技的位置在架构上不同。公司已确认的融资超过 3.8 亿美元 —— 2026 年 2 月的 A+ 轮，以及2026 年 4 月由阿里云领投的约 2.93 亿美元 B 轮，中国互联网投资基金（CIIF）—— 一只在中国网信办监管下运作的国资背景基金 —— 参投。公司没有母平台，必须靠模型性能和价格而不是生态锁定来竞争。Q4 Preview 如今在 AA-Video-I2V 榜上超过 Seedance 和 Kling 的产品，表明资源上的不对称至少在这项任务上并没有直接转化为前沿梯队的性能差距。

Google 的 Gemini Omni Flash 以 Elo 1178 成为榜上排名最高的非中国模型，位居第四 —— 比 Vidu Q4 Preview 低一分，在测量噪声之内。在早先几代基准中占据显著位置的 OpenAI 和 Runway，没有出现在当前 I2V 榜单的顶级梯队里。「中国如今在 AI 视频模型排名中占据主导地位」这一竞争判断，至少就图生视频而言，得到了AA-Video-I2V 排行榜这个独立第三方的支持。

竞争轨迹快得异乎寻常。2024 年初 Sora 首次公开演示文生视频时，西方实验室被普遍认为在视频生成上握有结构性领先。到 2025 年中，中国模型首次登上 Artificial Analysis 视频排名的榜首。到 2026 年第四季度，中国模型占据了AA-Video-T2V 排行榜前十中的八席。这种转变的速度是 Sora 发布时多数竞争分析没有预测到的，它对「西方前沿实验室将在生成式视频上保持持续性能领先」这一标准假设有重大影响。

定价结构实际改变了什么

伴随 Q4 Preview 发布的经济转变，至少和基准位置一样重要。生数科技把 Vidu Q4 Preview 的 API 在中国的入门档定为每秒 0.09 元（约 0.013 美元），面向西方开发者的 API 定价起于约每秒 0.014 美元。官方发布新闻稿写明平台定价从 540p 的每秒 0.045 美元起，到 4K 的每秒 0.39 美元。开发者 API 的入门价处于 AA-Video-I2V 榜顶级梯队中任何模型的最低一端。

按秒定价的意义是行业特有的。在中国短剧市场，制作经济学依赖高频生成和多版本测试：同一集剧情可能需要产出十来个输出版本，才能找到在付费分发中表现最好的那一版。在此前的价位上，测试成本把迭代量压在让小型制作团队无法系统测试的水平。到了每秒几分之一美分，一个团队能负担多少测试版本的算术，是质变而不是量变。同样的动态也适用于广告制作周期 —— 客户的修改要求可能意味着把成片从头重做 —— 以及前期视效预演，那里概念预览的成本历来占早期制作预算的可观份额。

本文的原始简报把这次转变框定为 AI 视频的一个潜在「DeepSeek 时刻」，指的是2025 年 1 月 DeepSeek-R1 的发布，它以近乎为零的推理成本展示了前沿推理性能。这个类比部分准确：两件事都是一家中国实验室以远低于在位者的成本交付接近前沿的性能。结构上的差别在于，DeepSeek-R1 以开放权重发布，而 Vidu Q4 Preview 是只提供 API 的专有模型。成本上的民主化是真实的；模型权重访问上的民主化则不是。

生数科技把分发构建为双轨模式：通过 MaaS（模型即服务）API 服务开发者，通过 SaaS 网页平台服务创作者，让同一个底层模型同时服务制作流水线和个人创作者的工作流。据公司材料，公司已宣布与华策影视和阅文集团合作，把 Vidu 嵌入中国专业内容制作基础设施。

哪些说法超出了现有证据

生数科技的几项定位说法在被当作既定事实之前值得加以限定。

公司把 Vidu 描述为「全球首个通用世界模型」，这种框定暗示生数科技的架构能够以类似物理仿真器的方式对物理世界做泛化建模。正如公司发布新闻稿所述，这一说法反映的是公司既定的长期雄心 —— 引为具体证据的是运行在 Vidu 底层架构上的 Motus 机器人产品 —— 而不是经同行评审证明的能力。这个说法应理解为战略定位的陈述，而不是技术发现。

公司材料里「同样预算五倍产出」的效率比较，需要一个明确的基线和测量方法，而这尚未被独立复现。AA 基准提供了严谨的第三方排名；这个效率数字没有同等的验证。

AA-Video-I2V 榜上第 3 到第 6 位的排名 —— Vidu Q4 Preview 1179、Gemini Omni Flash 1178、HiDream-O1-Video-1.0 1175（第六）—— 在套用 ±10 分的个体误差带后处于测量噪声之内。第三名是对当前位次的正确描述，但它不一定代表相对第四到第六名模型有可分辨的质量优势。与 MiniMax H3 Max 1195 的差距在统计上有意义，代表真正的能力差别。

文生视频仍未涉及。没有 T2V 模式意味着 Q4 Preview 无法服务生成式视频用例中最广的一段 —— 仅从文本提示出发的那些 —— 也不出现在 Seedance 和阿里 Wan 模型目前上榜、被引用更广的 T2V 基准上。对于评估该模型用于全流程生成式视频工作流的潜在用户，这是一个需要绕着规划的实质性产品约束。这也意味着 Q4 Preview 的基准成就无法与 Seedance 2.0 或 Wan 3.0 干净地比较，因为它们是在不同的榜单上衡量的：为 T2V 流水线选模型的开发者，拿不到来自同一评测方法的直接跨模型比较。

参考生视频模式 —— 可以接受最多十五张某个真人的参考图，并生成带有此人肖像的视频 —— 的内容审核和深度伪造缓解措施，在本文审阅的发布材料中没有公开披露。对于在 GDPR 或类似数据隐私框架下运营的企业客户，以及服务条款可能要求合成媒体披露的平台合作方，这是一个相关的缺漏。目前没有公开报道过 Vidu 的具体安全事件，但 Q4 Preview 在身份一致的视频生成上的能力比早期版本强得多。

生数科技的改进速度预示着什么

从 Q3 Pro 到 Q4 Preview 一代之内 123 个 Elo 点的跃升，可能是生数科技这次发布里最具战略意义的数字。单个数据点不足以确立趋势，但它确立了公司有能力在一个产品周期内实现非渐进的质量跨越。如果 Q4 Preview 的正式版（当前版本明确标为「Preview」）相对预览版再有提升，并且后续各代保持相当的速度，生数科技有可能在再一两个周期内逼近 MiniMax H3 Max 的基准位置。

更直接的技术问题是文生视频模式会不会跟上。加入 T2V 将让 Vidu 进入它目前毫无位置、而可触达的创作者市场更广的 T2V 基准竞争。生数科技尚未宣布 Q4 的 T2V 路线图，不过该架构能够以纯文本输入作为条件 —— 这个产品约束可能反映的是有意的先后顺序安排，而不是能力缺口。

生数科技当前定价优势的竞争窗口不太可能永久。字节跳动和快手只要愿意，有基础设施大幅降价。更持久的竞争优势取决于 Vidu 团队在技术性能上的改进速度，能否在资源密集的 MiniMax 模型把榜首往上拉时得以维持。与 Q4 Preview 发布一同宣布的 30% 促销折扣定于 2026 年 11 月 30 日到期，此后按当前定价持续使用的经济账才会更清楚。

对于正被生数科技的定价结构积极招揽的中国短剧和动画制作行业，相关的问题不在于当前的基准排名，而在于这一代显现出的改进轨迹，能否在模型正式版替代预览版时延续。这个答案很可能在年底前到来。