（来源：毒眸官方号）
3.0版本发布252天后，可灵终于有了新一轮升级。10月15日，可灵4.0正式上线，全能参考、多关键帧控制、30秒生成，成为这一轮更新的重点。
Sora发布后，可灵率先提供相对高质量的视频生成能力，成为国内AIGC影像生成赛道的代表。此后，可灵保持着较快的迭代节奏，在文生视频、首尾帧生视频等方向，成为创作者绕不开的视频生成工具。
进入2026年，视频生成领域竞争愈发激烈。HappyHorse、MiniMax H3等模型相继亮相，Seedance也从1.5迭代到2.0，再迭代到2.5，多参考输入、音画同步和视频编辑成为各家持续投入的方向。在此期间，行业基准线与市场竞争格局经历多轮洗牌，外界愈发关注可灵会如何接招。
随着可灵4.0发布，问题变成这个新模型效果怎样。虚眸对可灵4.0进行多维度实测，以Seedance 2.5为参照基准，看这次久等的更新，成色究竟如何。（本文所有视频均为一次直出）
人物表演是我们首选的测试方向。我们没有提供图片参考，给两个模型相同的文字提示词，生成一段人物动作幅度较小，但包含质问、回避和失望等情绪变化的对白，重点观察模型生成的人物表情、画面光影和质感。
可灵4.0
Seedance2.5
Seedance2.5
提示词如下：
15秒，16:9，写实电影画面。深夜的小面馆，窗外下雨，室内只剩两位顾客。短发女人穿深蓝色夹克，坐在画面左边；戴细框眼镜的男人穿浅棕色外套，坐在画面右边。两人隔着一张小桌面对面坐着，桌上有两碗未动的面。0—5秒，从能看见两个人的中景开始。女人盯着男人，压低声音问：“你早就知道，对不对？”男人听着，避开她的视线，嘴唇保持闭合。5—10秒，切到男人的近景。他先看一眼桌上的面，停顿一下，再抬眼看她，轻声说：“我只是想等你回来。”10—15秒，切到女人的近景。她没有立刻接话，眼神从质问变成失望，随后问：“那你为什么不看着我？”三句台词依次说完，声线和说话者始终对应。相机始终位于桌子的同一侧，人物视线和左右关系连续。人物自然说普通话，保留雨声和冰箱低鸣。无字幕，无背景音乐。
两个模型都搭出来了符合要求的场景，背景细节都比较丰富，也很好地克服了早期AI视频常见的人物“油腻感”。
但在视觉上，可灵4.0生成的视频，人物面部的明暗层次较平，光源方向不够鲜明。作为参照，Seedance 2.5的光影对比更明显，光源与人物面部的关系相对更清楚。
表演细节也有区别。面对提示词中的“停顿”，Seedance2.5加入了唇部和眼部的微表情，让角色在没有说话时仍表现出细小的情绪变化。可灵4.0完成了基本要求，选择平淡处理。
我们接着测试了可灵4.0生成动作戏的表现。动作戏是不少创作者头疼的部分，如果动作流畅度、接触关系或指令执行出现偏差，就会增加反复生成的成本。
我们同样只用文字提示词，安排较简单的镜头调度，重点观察动作执行、受力表现和音画对应。
可灵4.0
Seedance2.5
提示词如下：
15秒，16:9，写实动作电影。白天的空仓库，地面平整，后方摆着几个木箱。两名成年练武者进行徒手对练：黑色夹克男子在画面左侧，浅灰色运动衫男子在右侧。全程一个连续镜头，中远景，两人从头到脚始终清楚可见。镜头只做缓慢的横向跟随。0—4秒，黑衣男子向前迈步，用右拳直击灰衣男子上身；灰衣男子侧身，用左前臂挡住来拳，能看见两人的前臂发生接触。4—9秒，灰衣男子顺势用右掌推中黑衣男子胸口；黑衣男子身体先向后倾，再连续后退两步，右肩撞到后方木箱，木箱轻微挪动。9—15秒，黑衣男子重新站稳，压低重心，用右腿扫向灰衣男子脚踝；灰衣男子及时抬脚退开，落地后调整站姿。两人重新拉开距离，保持对峙。动作有准备、接触、受力和恢复平衡的完整过程。保留脚步、衣料和撞击声，无对白，无字幕，无背景音乐。
可灵4.0在人物静态与起始阶段表现挺出色，角色的服装与肌肉的贴合度非常写实；但进入交手阶段后，出现了音画对应和动作指令遵循上的问题。两人对拳过程中，有一拳打空，打击音效却依然响起；后面的扫腿也混淆了动作执行者，没有按黑衣男子扫向灰衣男子脚踝的要求完成，而且动作上也有点随意。
参照组的Seedance 2.5，在动作指令的对应关系上较为准确，没有出现角色混淆。
输出时长相同、提示词相同，两个模型对动作节奏的理解并不同。可灵4.0的动作速率更快、节奏更紧凑，看上去有点快节奏短剧、动作爽片的感觉；而Seedance 2.5倾向于放慢交手节奏，将动作过程拆解得细致些，更偏向电影的表现力。
这次可灵4.0的核心功能是全能参考，单次最多可以使用15个参考素材，其中包含最多10张图片、5个视频（总时长最长30秒，包括视频主体）和7个主体。相比可灵3.0 Omni时期仅支持3-15秒视频参考，4.0有明显提升。年初，Seedance 2.0凭借全能参考一举成名，Seedance 2.5的全能参考模式则把参考素材做到了最多50个（30张图片、10段音频、10段视频）。
全能参考是当下创作者最常用的生成方式。通过文字、通过文字、图片、视频等多种输入，创作者可以更直接地说明角色外观、动作和场景要求，提高生成的可控性。可灵4.0的全能参考支持音色参考，但自由度较低，对于有灵活配音或卡点需求的项目而言，需要在后期流程中另行处理。
不过相比能参考的素材数量和类型，更重要的是模型能否分清每个参考素材的用途，再把它们组织成一个完整场景。
我们设计了一道高难度的“多源素材跨场景合成”全能参考测试：使用前面文戏与武戏两段各15秒素材当参考，让模型提取文戏中的角色，执行武戏中的动作，将背景换成操场，并加入同一只小猫增加复杂度。
可灵4.0
Seedance2.5
提示词如下：
视频1中的男人和女人，在图片1学校操场打斗，打斗动作完全根据视频2进行。与此同时从他们的脚边有一只猫图片2慢慢踱步经过。动作有准备、接触、受力和恢复平衡的完整过程。保留脚步、衣料和撞击声，无对白，无字幕，无背景音乐。（我们提供了两段视频、操场和猫的图片）
这是我们这次测评中，难度最高的测试，模型间的差异也最明显。面对“跨视频提取角色与动作+新静态背景+新增动物主体”的复杂组合，可灵4.0生成的视频，出现较为明显的图层割裂感，人物与新背景的光影未能完全融合，且猫咪动线与人物打斗动线显得相对独立。
Seedance 2.5在多素材融合与自主运镜剪切上表现得更为成熟，不过在结尾的音效生成上，也出现了一些混乱。
最后一组测试，我们给可灵4.0提供了一张龙舟图片，让它生成龙舟比赛的场景，观察它处理多人协同与水体交互场景的能力。
可灵4.0
Seedance2.5
提示词如下：
以图中的龙舟为参考，生成一支写实的电影感视频，展现端午节赛龙舟的激烈场面。宽阔的江面上，多条传统龙舟并排高速竞渡。每条龙舟上有二十余名身着统一服装的划手。他们跟随船头鼓手的鼓点，整齐、有力地一齐将船桨插入水中。桨叶疾速划破水面，激起大片水花。龙舟高速破浪前行，船首华丽的龙头装饰在飞溅的水雾中时隐时现。鼓手站在船头，将双槌高高举起，用力猛击大鼓，身体随节拍有节奏地摆动，并大声喊出划船号子。划手们同步地前俯后仰，动作配合得天衣无缝，手臂肌肉绷紧，脸上满是汗水，神情专注而坚毅。船尾的舵手沉稳地操控着船舵，在高速竞渡中不断调整航向。两岸聚集了密密麻麻的人群，挥舞彩旗、呐喊助威，营造出热烈的节日氛围。阳光照在江面上，粼粼波光映照着龙舟、彩旗和天空。镜头采用紧张有力的电影级调度：先以低角度侧面跟拍镜头追随高速竞渡的龙舟；穿插船桨入水、绷紧的手臂和汗水滑过脸庞的特写；切到鼓手击鼓呐喊的近景镜头；用高速摄影呈现桨叶入水、水花飞溅的慢动作细节；最后以无人机高空航拍俯瞰镜头，展现多条龙舟在宽阔江面上齐头并进、冲向终点线的画面。整体节奏由快推向更快，突出力量、速度、团队协作与激烈竞争。画面写实、细节丰富，运动连贯，人体肢体动作自然，龙舟结构准确，水体物理真实。避免人物变形、船桨错位、动作不同步以及龙舟相互穿插。
可灵4.0的画面质感，出现了一定回落，视频中的人物显得有点油蜡感。第一个特写镜头中，桨板的运动方向变成了击打船面，显然搞错了物理规律和动作关系。
Seedance2.5的处理更真实，河水和人物的汗水细节，都比较清晰，桨板运动也更符合划船动作，同时加入了镜头变化。
总体来看，与之前的版本相比，可灵4.0的能力有了明显提升。在常规文戏、中低动态场景以及静态细节上，它的写实度、光影处理能力与稳定性，跨过了早期AI视频易穿帮的阶段，也能处于行业第一梯队。
但在我们稍微复杂的测试中，可灵4.0相比Seedance 2.5还有差距，尤其是在指令遵循、图层融合与复杂物理规律遵循方面。
几组测试中，可灵4.0的失误主要集中在“关系”上：动作应该由谁完成，人物如何融入新背景，桨板怎样与船和水发生作用，声音又该对应哪个瞬间。
连续的动作，不仅要保持人物外形，还要维持位置、接触与受力关系。任何一个环节错位，都会让画面虽然写实，动作却显得很假。
这些问题在参考生成与视频编辑中更加突出。这两项能力，正是当下视频模型竞争最热门的方向。参考生成需要从不同素材中提取信息、重新组织画面，视频编辑则需要修改指定内容、保留其他部分。
可灵4.0更新公告
我们的操场打斗测试就叠加了这些要求：保留文戏中的人物身份，采用武戏中的动作，再更换背景、加入动物。模型需要分清每份素材的用途，并处理好它们组合之后的关系。
训练数据是解决这类问题的核心。视频生成模型，通常会用大量自然视频数据训练，这类数据能提供丰富的人物外貌与运动信息，却很少能满足训练参考生成与视频编辑能力的需求。
比如“保留这个人的脸、替换他的动作、同时改变背景”这样的用户生成要求，需要提供大量生成前后的成对数据，清楚展示修改要求与前后变化，才能让模型学会应该改哪里、该保留什么，从而掌握准确修改指定内容的能力。
多数视频生成模型研发团队通常会引入合成数据，借助模型或工具，批量制造现实素材中不容易直接获得的编辑示例。
近期字节Seed发表的一篇关于视频编辑能力的论文VINCIE-NExT举了一个例子。为了提高视频模型的编辑能力，他们建立了一条合成数据流水线：从视频中均匀抽取5帧，由GPT-4o生成编辑指令，调用Seedream4.5修改图片，将原视频、原始帧和修改后的帧组成训练样本。为了保证数据多样性，还要统计编辑类别的分布，引导后续指令补充覆盖较少的类别。
论文截图
合成数据的构建，数据管线的精细化程度、其中的行业knowhow，成为无论是基模还是生成模型的胜负手，甚至超过了算法的重要性。
而在数据流水线的建设上，依赖团队长期积累的经验。
基础研发模型中，不同技术负责人对数据合成链路、架构演进的判断往往各有侧重，核心团队的调整，通常伴随着研发协作的重新衔接与实验验证，打乱原本的节奏。可灵的核心技术团队在过去一年多经历震荡，新的团队再磨合、验证技术路线也需要时间。
数据工程之外，算力预算也会影响视频模型的研发方式。对于算力相对紧张的国内模型开发团队，每一轮大规模实验都需要更慎重地选择方向。
能及时洞察创作者如何创作、有何需求，能帮助研发人员判断哪些问题最影响素材使用，哪些改进值得优先投入资源。
关键帧生成，是个典型的例子。早期视频模型的能力有限，创作者往往会做好静态分镜图，确定人物、构图与空间关系，再借助关键帧能力生成视频，可以尽可能保证效果。
随着模型能力提升，创作者开始减少原本繁琐的准备，把表演、运镜与动作调度交给模型，通过提示词和必要的参考素材表达意图，大幅减少逐张做关键帧、再首尾帧相连的必要性。从创作者工作流的这种变化来看，可灵4.0强调10张关键帧控制，显得有些错位和脱节。
可灵4.0的关键帧生成功能
对研发团队而言，与创作者的密切交流，可以帮助他们把这些表达要求落实到训练和评测中，这同样需要更强的数据工程能力。
可灵4.0在人物质感和基础表演上展现了积累，复杂动作与多素材整合仍有待补强。在竞争愈发白热化的当下，可灵的后续迭代，还需要把对表演、镜头和创作流程的理解，放到数据标注、样本筛选和模型评测中，也需要更快地回应创作者在实际制作中的反馈，才能让模型能力变得更强。
对创作者而言，视频模型升级的价值，还是体现在能否减少反复生成和后期修正，让原本难以完成的镜头变得更容易实现。
