生数科技发布 Vidu Q4 Preview：0.09 元/秒起，支持 4K 输出

生数科技推出 Vidu Q4 Preview，这是 Vidu Q4 面向创作者的首个预览版本，重点放在三项能力上：更细腻的人物演绎、更有张力的镜头语言，以及更具冲击力的复杂视效。报道把它类比为视频模型的「DeepSeek 时刻」，理由是性能、效率与可用门槛开始同时探向极致。

这个类比本身是媒体判断，不是产品事实。它成立与否，取决于三件事能否同时被验证：模型能力上限、系统效率、创作门槛。报道提出的判断是，三者共同成立，视频生成才能成为稳定、可规模化的内容生产工具。

需要先划清边界：Vidu Q4 Preview 目前只是正式版上线前的一次提前亮相，正式版在稳定性、控制力和创作上限上的表现尚未公布。因此本文讨论的是「预览版展示了什么」，而不是「Vidu Q4 最终能做到什么」。

最抓眼球的数字是价格。Vidu Q4 Preview 首发价格为 0.09 元/秒起，报道称同样预算最高可生成 5 倍内容。配套的输入输出规格是：最多 15 张参考图、参考音色输入，以及 2K、4K 画质输出。

效率方面，报道称其图生视频速度约为同类模型的 2 倍，5 秒视频最快约 110 秒完成。这些数字均来自生数科技或机器之心一方，缺少第三方独立验证；约 2 倍速度与 110 秒所对应的具体对比模型、硬件与测试条件也未披露。

所以更稳妥的读法是：这是一组方向明确的官方口径，而不是可复现的基准结论。价格是否长期维持、正式版定价如何，报道同样没有说明。

报道提出了一个值得注意的论证角度：如果模型持续生成身份漂移、动作断裂或商品变形的内容，单次价格再低，创作者仍要付出大量筛选、返工和等待成本。因此讨论价格优势，还要看它能否减少获得可用镜头所需的尝试次数。

这解释了为什么 Q4 Preview 强调传神表现力——按报道的说法，其意义在于降低人物漂移、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 段参考音频以及 2K、4K 输出，则覆盖角色控制、音色延续和交付画质等实际环节。

但要把这些能力以更低价格提供出去，还要解决算力效率。视频生成是计算密集型任务：时长增加，模型需要维持更长的状态链条；分辨率提升，参与计算的视觉信息迅速增长。对以 Transformer 为基础的扩散模型，长序列中的注意力计算尤其昂贵，推理速度直接决定单次生成的算力消耗。

报道把价格与生数团队过往的效率研究连成一条线：SageAttention 尝试用低比特计算加速注意力；后续的 SLA 将稀疏注意力与线性注意力结合，进一步压缩长序列计算量；TurboDiffusion 则把注意力加速、少步生成、量化和工程优化组合起来。

其中 TurboDiffusion 被报道为在特定开源视频模型与硬件条件下取得百倍级加速，相关技术已在 Vidu S1 的实时视频生成中得到产品化应用。这个「百倍」有明确限定条件，不能外推为通用性能。

这条技术线的意义在于解释低价从何而来：速度提升缩短等待时间，也提高单位算力的任务吞吐量，成本由此获得继续下探的空间。报道据此认为，降价价值不应只按短期促销理解，首发优惠只是入口，长期意义取决于技术效率能否持续转化为更低的生成成本。

机器之心给出了三组一手实测，均属单一来源的定性描述。第一组是情绪独角戏：设定由克制转向爆发，强忍委屈、泪水滑落、泪中失笑、拍桌爆发、慢慢平静五段情绪依次发生，参考素材只有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。报道称完成度很高，情绪转折处没有明显「换脸感」，五官、短发和服装在大幅表情与多轮明暗变化下没有明显漂移。

第二组测镜头编排：一支 16 秒广告依次完成桌面广角推进、人物手势前景遮挡、红色圆形转场、产品穿孔匹配接取、俯拍群像、低机位人物、弧形群组运镜和最终产品定格。报道称景别跨度大而节奏未散，产品在远近镜头与多人互动中保持较高辨识度。

第三组测特效：一张静态家居图被做成 8 秒「空间组装秀」，沙发、落地灯、边几、挂画、绿植和抱枕依次跃入，每件家具落地时有压缩、回弹和轻微晃动。报道称外形、尺度和落点稳定，画面没有明显穿插或位置混乱，后半段环境变暗与落地灯点亮过渡自然。

这三组测试的共同点是都在考验模型「拿稳全局」的能力，但样本量小、无对照、无量化指标，只能作为方向性参考。

报道提到，在海外创作者社区中「Vidu 味儿」已形成口碑：一些原本做抽象艺术风格的创作者因听说 Vidu 动漫能力强而转做动漫；有日本 AI 动漫创作者多次表示认可；全部用 Vidu 生成的 AI 动漫作品在 YouTube 获得数十万播放。这些均为定性转述，未给出可核验的量化指标。

报道尝试用技术路线解释这种风格心智：动漫对动作连贯性、镜头调度、角色一致性、发丝与衣料细节动态、粒子特效和情绪爆发要求都很高，能稳定生成高燃动漫，往往意味着模型在时间、动作和空间关系上有更强的控制能力。

由此接到生数的自我定位——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」，负责学习人物、物体、运动、空间关系和场景动态；Vidu S 系列进一步加入实时交互，Motus 与 Motubrain 则把预测能力延伸到物理行动。这些后续层级的落地时间与产品形态，报道并未说明。

报道列举了 Vidu 的技术节点：2022 年率先提出 U-ViT 架构；2024 年发布中国首个全面对标 Sora 的视频模型，并首创「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。这些节点构成理解 Q4 Preview 的背景，但同样来自报道一方。

把已知与未知分开看：已知的是预览版的能力方向、首发价格、速度口径和参考素材上限；未知的是正式版在稳定性、控制力和创作上限上的具体提升幅度，0.09 元/秒起是否长期维持，以及最多 15 张参考图与 3 段参考音频在实际工作流中的一致性效果——后者缺乏独立评测。

对广告、短剧、动漫和电商内容团队而言，真正决定 AI 视频能否进入正式预算的，不是首发价，而是「可用成片成本」：一次生成便宜了，加上模型对角色、镜头和参考素材的控制更稳定，获得一条可用素材所需的尝试次数才会减少。这个链条能否闭合，要等正式版和独立验证来回答。