撰文| 郝 鑫 高晓阳

编辑| 郝 鑫

过去，AI视频行业生成视频主要依赖专有的视频模型，比如Seedance、可灵、海螺视频等。

用户的操作流程是写Prompt、点生成、等结果，空间关系对不对、运镜稳不稳、人物和场景是否合理，很大程度要靠反复抽卡去赌。视频模型既是“理解者”，也是“执行者”，从文本理解到画面生成几乎一手包办。

变化发生在最近，LibTV把DeepSeek V4.1-Flash搬进了影视创作，给这套工作流加了一个新角色。核心在于，LibTV的“3D-BOX”创作空间把“生成”拆成了两步：先用通用模型DeepSeek V4.1-Flash通过代码搭建3D白模场景，确认空间关系、机位、运镜已经ready；再让专有视频模型依据白模确定的参数生成视频。

也就是说，通用模型负责空间预演与约束，专有视频模型负责材质、光影、质感和最终执行。

以前是视频模型从文本直接自由发挥，现在变成了通用模型先搭空间，专有视频模型在约束下拍摄。

问题也随之而来，这种组合是1+1大于2，还是各有适用边界？能不能一招通吃所有场景？

光子星球测试下来的答案是，“通用大模型+专有视频模型”双模型协作组合，是有价值的尝试，能够通吃一部分，但不是万能，仍有明确的任务界限。

测试1：双模型协作组赢运镜，输质感

为了验证这套新组合，我们在LibTV的3D-BOX创作空间里用DeepSeek V4.1-Flash生成白模预演，再导出到画布让Minimax H3生成视频；对照组则是让Minimax H3在没有预演的前提下直接生成。这样一来，能够通过是否使用通用模型提前预演，来观察生成视频的效果差异。

第一个场景选了一个和官方演示中《指环王》王城米那斯提力斯同量级，但结构不同的原创场景。一座建在悬崖上的七层海港城，底层是码头和帆船，顶层是灯塔和要塞，中间用石阶，之字坡道和缆车连通，镜头从海面一路升到灯塔。

先上测试结果，第一个场景，双模型协作组合赢了运镜，输了质感。

预演环节，DeepSeek V4.1-Flash只消耗了6个积分，大约2毛5，比官方口径的4毛还便宜一点。但耗时远不止官方说的2分钟，从提交到拿到可播放的白模视频，等待时间明显更长。

预演出来后，七层台地、码头、栈桥、帆船、灯塔，全都在。城市确实是贴崖而建的，不是平地上摞盒子。

接下来点击“去画布生成”，系统自动建好视频节点并预填提示词。我们没有手动修改，直接生成。

成片出来后，和预演逐段对比，机位一致，层级一致，运镜一致。从海面升到灯塔，运镜都和预演视频的一致性都保持的很好。

对照组也不差。灯塔和悬崖都在，镜头也从海面升到了灯塔。两个版本放在一起，可以说是各有千秋。DeepSeek预演过的版本，在运镜上会更优秀一些，对照组自由发挥的版本则是画风更真实一些。

测试2：单模型生成组完胜

第二个场景换到室内。还原哈利波特式大礼堂场景，四排长桌、中央通道、主席台、悬浮蜡烛，还有一个故意的遮挡关系。主角从大门进来，先被石柱挡住，走过石柱后才露出全身。

这本该是双模型协作组最擅长的地方，但结果却出人意料。这个场景测试中，单模型生成组完胜。

双模型协作组的成片依旧和预演完全一致，甚至穿模都一致。但是，我们在预演过程中发现模型生成的白模里有一个穿模镜头，商量后决定保留，看视频模型会不会自己修复。

答案是没有。穿模镜头被原样保留。

这说明两件事：第一，双模型协作组的成片确实在严格服从白模的空间约束；第二，白模里的错误会被原封不动地带进成片。

更关键的问题在质感。由于白模的限制，双模型协作组的表现平庸。人物模型很假，场景里的装扮也很生硬。这次切到室内近景，有DeepSeek模型加持的成片表现不尽如人意。

单模型组自由发挥的成品反而很还原，看着要更真实一些，就像真的走进了霍格沃茨的大礼堂。

边界：预演能得到什么？

结合官方demo和我们的测试结果，两种视频生成方式边界逐渐清晰。

“通用大模型+专有视频模型”的双模型协作组合，在一致性、一次通过率和成本方面有明显的优势。

•一致性：机位、层级、运镜与预演严格对齐，远景大场景的“不跑偏”基本可实现。

•一次通过率：在远景和大场景里，确实能减少因为空间关系错误导致的重抽。

•更低的预演成本：让通用模型用代码做白模预演，相比旗舰模型内置的预演能力，成本可被压缩。

但在质感与细节、创造力和错误自我修复方面，专有视频模型生成效果更好。

•质感与细节：白模限制之下，材质、光影、人物真实度都会打折。

•创造力：这是最本质的一条。白模买的是视频模型的服从性，不是通用模型的创造力。它能约束视频模型，也会限制视频模型在细节和质感上的发挥。

•错误的自我修复：白模里错了，成片就错，而且错得一模一样。

降抽卡成本，各家怎么做？

LibTV的3D-BOX空间，只是行业降低抽卡成本的一种尝试。如果把视野放宽，目前至少有四条路在同时进行。

第一条路，用低分辨率样片试错。Seedance 2.5在9月上线了Draft模式，480P样片成本远低于1080P成片，抽4次命中省57%，抽20次命中省77%。即梦的样片模式更激进，480P成本约为1080P的八分之一，抽卡次数越多省得越多，最高约83%。这个思路最简单直接，草稿阶段只需要判断构图、运镜和表演，不需要高清画质。

但这里有一个边界条件容易被忽视，草稿模式只在“废片丢弃”的场景下才真正省钱。如果草稿之后必须高清重制而且都保留，总成本未必更低。

第二条路，一次生成更长时间。可灵4.0在10月15日全量上线，单次原生30秒，最多10张关键帧控制情节节点，提示词上限8000 tokens，官方定位是“AI自己分镜、运镜、组织叙事”。Seedance 2.5同样支持单次30秒，最多50个参考素材。

30秒单次原生生成已经成为2026下半年旗舰模型的标配。单次生成越长，需要拼接的次数越少，接缝处翻车的概率越低。

第三条路，在生成前锁定空间关系。这就是LibTV 3D-BOX在做的事，但白模预演正在从独立工具变成旗舰模型的内置能力。Seedance 2.5已经内置了3D白模预演，可以提前模拟分镜和镜头走位。可灵4.0也支持白模先预演再上材质，单次最多15项参考素材。当旗舰模型自己就能做预演，独立预演工具的价值会被稀释。

这就能体现出LibTV 3D-BOX这次创新的意义，让通用模型用代码来进行白模预演，成本再次降低，也为这条路提供了一个新的方向。

第四条路，生成后局部修改而不是整段重抽。可灵4.0的视频精准编辑可以只改局部，其余画面保持稳定，人物表情、服装、背景、天气、摄影机位置都能单独调整。Seedance 2.5支持按时间戳改某一秒。H3支持直接编辑已有视频，换商品、服装、背景、天气，保留动作和镜头。

这条路的思路是，与其反复抽卡赌一个完美的结果，不如先拿到一个80分的结果，再局部修到90分。

四条路并不互斥。一个理性的创作者会组合使用，用低分辨率样片快速试错，用长镜头减少拼接，用预演锁定空间关系，用局部编辑修复细节。3D-BOX在其中扮演的角色是“约束”这一环，但它不是唯一选项，也不是万能选项。

AI视频生成正在经历一个从“抽卡”到“可控”的转变。去年这个时候，抽卡率大概是1:20，生成20次才有1次能用。到了今年，随着基座模型可控性的提升，这个数字已经降到了大约1:2。“抽卡师”这个角色正在消失。

但可控不等于免费。每一条降本路径都有自己的适用场景和代价。用通用模型来预演适合远景大场景，不适合近景人物。草稿模式适合快速试错，不适合直接出片。长镜头减少拼接，但单次成本更高。局部编辑修复细节，但改不了根本性的构图错误。

真正的降本，不靠某一个功能，而要靠对整个工作流的理解。知道什么时候该预演，什么时候该直接抽，什么时候该局部修，比任何一个单一工具都重要。

“通用大模型+专有视频模型”双模型协作模式是一个有价值的尝试，但它不是终点。当视频模型自己就能做空间规划的时候，独立的预演工具要么进化成更深度的创作伙伴，要么被平台内建能力吸收。这场从“抽卡”到“可控”的竞赛，才刚刚开始。

微信号｜TMTweb

公众号｜光子星球

别忘了扫码关注我们！