O czym jest ten film
- Autor dał ośmiu modelom AI do wideo (m.in. Kling 4.0, FLUX.3 Video, Seedance 2.0 i 2.5, MiniMax H3, Wan 3.0, Gemini Omni Flash 1.1, Grok Imagine 1.5) dokładnie te same dwa ujęcia, żeby wybrać model do własnych materiałów.
- Cały test wykonano na higgsfield.ai: jeden plan, prompt wklejony raz i przełączane modele; tylko dwa odstępstwa w ustawieniach — MiniMax H3 generuje w 2K, a Gemini Omni Flash 1.1 kończy na 10 sekundach zamiast 15.
- Punktacja: do 6 pkt za wierność promptowi, do 4 pkt za realizm, minus punkt za każdy błąd; 8 punktów lub więcej oznacza klip użyteczny, poniżej 5 — kosz.
- Runda pierwsza to celowo niemożliwa scena: pięć szopów na czarno-białym monitoringu wykręca żarówkę — model nie ma skąd podpatrzyć prawdziwego nagrania, a autor przez cały czas liczy zwierzęta w kadrze.
- Rundę wygrywa Kling 4.0 (8,5/10) — jako jedyny utrzymuje komplet pięciu szopów przez pełne 15 sekund; Grok Imagine 1.5 z wynikiem 2/10 idzie do kosza.
- Runda druga: przewodniczka idąca tyłem pod zawalającą się wieżą zegarową, pędzące stado strusi i podtoczona pomarańcza; trzy ujęcia, dwie kwestie dialogowe, zgodność głosu z ustami i łańcuch przyczynowo-skutkowy.
- Tylko trzy z ośmiu modeli poprawnie rozegrały finał z pomarańczą — najlepszy okazał się FLUX.3 Video (9/10), wygrywając rundę mimo szóstego, nadprogramowego szopa w pierwszej.
- Ex aequo na szczycie sumarycznego zestawienia: Kling 4.0, FLUX.3 i Seedance 2.0 po 16,5/20 — a przy remisie wygrywa najtańszy, czyli Kling (ok. 1,60 USD za klip).
- Najdroższy Seedance 2.5 kończy dopiero czwarty, przegrywając z własną starszą wersją 2.0, która przy promptach autora wypadła lepiej i taniej.
- Wszystkie klipy i prompty są dostępne na modelarena.ai (z możliwością głosowania) oraz w opisie filmu.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Cena nie kupuje pierwszego miejsca
Na czym polega: Najdroższy model stawki, Seedance 2.5, kosztujący blisko pięć razy więcej niż zwycięzca, zajął dopiero czwarte miejsce — przegrywając m.in. z własną starszą wersją 2.0, która wypadła lepiej i taniej.
Jak stosować: Zanim dopłacisz do najdroższego modelu, przepuść przez niego kilka własnych promptów i porównaj wynik z tańszymi opcjami w identycznych warunkach.
Na co uważać: Wyższa cena i nowszy numer wersji nie gwarantują lepszego wyniku przy konkretnym zadaniu.
2.Kling 4.0 jako rozsądny wybór domyślny
Na czym polega: Kling 4.0 zdobył dzielone pierwsze miejsce (16,5/20) przy koszcie około 1,60 USD za klip, a jako jedyny utrzymał pięć postaci w kadrze przez całe piętnaście sekund.
Jak stosować: Do krótkich klipów bez dialogów bierz Klinga jako punkt wyjścia i oceń pierwszą próbę według z góry ustalonych kryteriów.
Na co uważać: W scenie z mówiącą bohaterką Kling zawiódł w finale — przewodniczka wychodziła poza kadr, by podnieść pomarańczę.
3.Do scen z dialogiem: FLUX.3 Video
Na czym polega: FLUX.3 jako jedyny w pełni rozegrał finał: pomarańcza dotoczyła się do stóp bohaterki, ta podniosła ją w kadrze, a głos był zagrany starannie — 9/10, najlepiej w całym teście.
Jak stosować: Gdy klip ma mówić i wymaga zgodności dźwięku z ruchem ust, testuj FLUX.3 w pierwszej kolejności.
Na co uważać: Model gubi się na liczbie obiektów — w pierwszej rundzie dorzucił do sceny szóstego szopa.
4.Testuj modelami scenami, których nikt nie nakręcił
Na czym polega: Szopy wykręcające żarówkę to celowo niemożliwa scena — model nie znajdzie jej w danych treningowych i musi zbudować ją wyłącznie na podstawie promptu.
Jak stosować: Do porównywania modeli używaj nierealnych, ale precyzyjnie opisanych sytuacji: odsłaniają rozumienie polecenia, a nie pamięć o istniejących nagraniach.
Na co uważać: Tak testujesz wykonanie promptu — wynik nie musi się przenosić na typowe, „oswojone” sceny.
5.Prosty system punktowania załatwia decyzję
Na czym polega: Autor oceniał klipy w skali 10: 6 pkt za wykonanie promptu, 4 za realizm, minus punkt za każdy błąd; próg używalności 8, kosz poniżej 5.
Jak stosować: Przejmij ten schemat do własnych testów — liczbowe kryteria wymuszają ocenę według promptu, a nie ogólnego wrażenia.
Na co uważać: Realizm ocenia się wciąż subiektywnie; progi ustal przed generowaniem, żeby nie dopasowywać ich do wyniku po fakcie.
6.Liczba obiektów to pięta achillesowa modeli wideo
Na czym polega: Większość modeli pogubiła bohaterów: pięć szopów robiło się trzema albo sześcioma, dwa zwierzęta zlewały się w jedno, dochodziły nadprogramowe z wnętrza budynku.
Jak stosować: Ograniczaj w prompcie liczbę postaci do niezbędnego minimum i załóż tolerancję drobnych odchyłek od liczby.
Na co uważać: Model nie policzy obiektów za ciebie — każdy klip trzeba obejrzeć i zliczyć bohaterów ręcznie.
7.Modele gubią przyczyny, zostawiając skutki
Na czym polega: Światło gasło, choć nikt nie tknął żarówki; lada z owocami przewracała się bez żadnego sprawcy; zawalona wieża wracała do pionu.
Jak stosować: W prompcie opisuj przyczyny, a nie tylko skutki („strusie strącają ladę, przez co pomarańcze staczają się w dół”) — rośnie szansa na spójną sekwencję zdarzeń.
Na co uważać: Nawet drogi model potrafi pokazać zdarzenie bez przyczyny, a takie przeoczenia łatwo przeoczyć przy szybkim oglądaniu.
8.Porównuj modele w jednym miejscu, pilnując ustawień
Na czym polega: Cały test ruszył na jednej platformie z jednym promptem i przełączanymi modelami; tylko dwa wymagały odstępstw (rozdzielczość MiniMaxa, długość klipu Gemini), co autor uwzględnił w ocenie.
Jak stosować: Uczciwe porównanie wymaga tego samego promptu i maksymalnie zbliżonych ustawień — rozdzielczość i długość potrafią zafałszować wynik.
Na co uważać: Różnice ustawień notuj i uwzględniaj w ocenie, inaczej karzesz model za warunki techniczne, a nie za jakość.
9.Pierwsze podejście bywa wystarczające
Na czym polega: Żaden z ośmiu modeli nie potrzebował drugiego podejścia — wszystkie klipy pokazane w materiale powstały za pierwszym razem.
Jak stosować: Nie generuj od razu serii wariantów; oceń pierwszą próbę według kryteriów i dopiero w razie potrzeby powtórz.
Na co uważać: Przy skomplikowanych scenach z dialogiem i wieloma obiektami zapas budżetu na powtórki jednak się przyda.
10.Przy remisie wygrywa stosunek jakości do ceny
Na czym polega: Trzy modele zremisowały z wynikiem 16,5/20, a autor wybrał najtańszy z nich; cała szesnastka klipów kosztowała łącznie około 55 USD na planie Ultra.
Jak stosować: Przy wyborze modelu licz koszt pojedynczego klipu i mnoż go przez planowaną skalę produkcji — różnica między 1,60 USD a kilkoma dolarami przy dziesiątkach nagrań robi się poważna.
Na co uważać: Wybór najtańszego z remisu ma sens tylko przy równej jakości; gdy scena wymaga dialogów, dopłata do specjalisty bywa opłacalna.
Redakcyjne tłumaczenie
Cel testu: osiem modeli, dwie sceny, jeden zwycięzca
Dałem ośmiu modelom AI do generowania wideo dokładnie te same dwa ujęcia, żeby rozstrzygnąć, którego użyję we własnych materiałach. Mój typ: Kling 4.0. Jakościowo dzieli pierwsze miejsce, a najdroższy model w stawce — Seedance 2.5, kosztujący prawie pięć razy więcej — zajął dopiero czwarte. Kling nie wygrał jednak obu scen: najlepszą wizytówkę przewodniczki nagrał FLUX.3. Poniżej pokazuję pierwsze podejście każdego modelza, to, co bym zostawił, i momenty, w których wybrałbym kogoś innego.
Jedna platforma, jeden prompt
Wszystkie klipy wygenerowałem na higgsfield.ai, gdzie niemal wszystkie modele siedzą w jednym miejscu i w ramach jednej subskrypcji. Prompt wkleiłem raz, a potem tylko przełączałem modele — każde dostało dokładnie to samo polecenie przy niemal identycznych ustawieniach. Wyjątki są dwa: MiniMax H3 renderuje wyłącznie w 2K, a nie w 1080p, a Gemini Omni Flash 1.1 kończy na dziesięciu sekundach, podczas gdy pozostałe generują piętnaście.
Miałem zamiar pokazać wyłącznie pierwsze podejście każdego modelu, ale żaden nie wymagał podejścia drugiego — wszystko, co zobaczycie, powstało za pierwszym razem.
Punktacja: prompt, realizm, błędy
Każdy klip oceniłem w skali dziesięciopunktowej:
- do sześciu punktów za dokładne wykonanie promptu,
- do czterech za to, żeby obraz wyglądał realistycznie i wiarygodnie,
- minus punkt za każdy błąd — glitch, czyli artefakt albo nielogiczność w obrazie.
Praktyczne progi: osiem punktów lub więcej oznacza, że klip idzie do użytku; wszystko poniżej pięciu ląduje w koszu.
Runda pierwsza: szopy na czarno-białym monitoringu
Scena: kamera monitoringu z trybem nocnym, jedno ujęcie. Pięć szopów otwiera drewutnię, wytacza z niej arbuz, zostaje przyłapanych przez światło, wykręca żarówkę — i działa dalej w ciemności. Przy okazji próbuję odpowiedzieć na dwa pytania. Czy model utrzyma wszystkie pięć zwierząt przez pełne piętnaście sekund? Czy obraz przełączy się na kolor po zapaleniu światła i wróci do czerni, gdy żarówka zniknie?
Ta scena jest celowo niemożliwa. O ile wiem, nikt nigdy nie nakręcił szopów wykręcających żarówkę — model nie ma więc skąd podpatrzyć prawdziwego nagrania i musi zbudować scenę od zera, wyłącznie na podstawie promptu. Poza tym przez cały czas liczę zwierzęta w kadrze, żeby sprawdzić, jak modele radzą sobie z ciągłością.
Grok Imagine 1.5 — 2 na 10, do kosza. Początek robił dobre wrażenie, ale szybko poszło pod górkę. Drzwi rozpływają się zamiast się otworzyć, jeden szop unosi się w powietrze na drugiego zamiast się wspiąć, pięć zwierząt redukuje się do trzech, a wykręcona żarówka wciąż świeci.
Gemini Omni Flash 1.1 — 4,5 na 10, do kosza. Na starcie sześć szopów zamiast pięciu. Światło gaśnie, choć nikt nie podchodzi do żarówki, a drzwi zamykają się same.
Wan 3.0 — 5 na 10. Trzymajcie oko na szopa w środku: zrobił się przezroczysty i zniknął. Zwierzęta wpadają do drewutni, a wychodząc, rozpływają się ponownie. Do tego cały klip tak i nie przeszedł w czerń i biel, choć prompt tego wymagał. Słabo.
Seedance 2.5 — 6,5 na 10. Zaczyna od jednego szopa zamiast pięciu, a arbuz przypomina gigantyczną czarną kulę. Zwierzęta zamiast uciekać z łupem, wpychają go z powrotem do środka. Z drugiej strony — ani jednego błędu wizualnego. Już lepiej, choć wciąż nie do użytku.
MiniMax H3 — 6,5 na 10. Górny szop faktycznie wykręca żarówkę, stojąc na grzbiecie partnera. Ale dwa zwierzęta zlewają się w jedno, a z wnętrza drewutni wyłania się dodatkowy szop.
FLUX.3 Video — 7,5 na 10. Z drewutni wychodzi szósty szop. Obraz nie zacina się ani razu, jednak żaden z bohaterów nie zamiera, gdy łapie ich światło, a arbuz wytaczają dwa zwierzęta zamiast trzech, jak każe prompt.
Seedance 2.0 — 8 na 10, użyłbym. Jeden z bardziej wiarygodnych klipów tej rundy, z nielicznymi usterkami. Haczyk: dostaję tylko cztery szopy, a światło gaśnie samo.
Kling 4.0 — 8,5 na 10, najlepszy klip rundy. Pięć szopów i realistycznie otwierane drzwi. Jedyne potknięcie: arbuz robi się zielony, nim zapali się światło. Poza tym czysto.
Rundę pierwszą wygrywa Kling 4.0 — jako jedyny model utrzymał komplet pięciu szopów od pierwszej do ostatniej sekundy.
Runda druga: wieża zegarowa, strusie i pomarańcza
Teraz scena z dialogiem — a najtrudniejsza jej część to ostatnie dwie sekundy. Ponieważ klipy mówią, nie mogę prowadzić narracji nad nagraniami, więc pełnych ujęć wszystkich modeli tu nie pokażę. Wszystkie są dostępne na modelarena.ai (link w opisie filmu): można puszczać wszystko naraz albo po kolei, wybrać konkretny model, a prompt stoi tam gotowy do skopiowania. W tym materiale pokazuję wyłącznie momenty, które rozstrzygnęły oceny — zwycięski klip pokażę w całości.
Scena jest celowo poplątana i mieści trzy różne ujęcia w piętnastu sekundach. Przewodniczka idzie tyłem, a za jej plecami zawala się wieża zegarowa. Potem pędzi stado strusi, a pod jej stopy podtocza się pomarańcza. W tych trzech ujęciach chcę widzieć tę samą kobietę od początku do końca. Dochodzą dwie wypowiadane kwestie — sprawdzam, czy dźwięk trafia w ruch ust. Liczy się też łańcuch przyczyn i skutków: od katastrofy wieży po toczącą się pomarańczę. I patrzę na dłonie: bohaterka musi podnieść owoc w kadrze, a dopiero potem wypowiedzieć ostatnią kwestię.
MiniMax H3 — 7,5 na 10. Chorągiewka znika jej z ręki, po chwili wraca, po czym pojawia się w drugiej dłoni. Po zawaleniu wieży odwraca się — ale pomarańczę podnosi już przodem do kamery.
Gemini Omni Flash 1.1 — 7,5 na 10 (klip dziesięciosekundowy). Pomarańcza nie podtocza się do bohaterki, tylko odbija od ziemi jak piłka. W finałowej scenie zawalona wieża znów stoi prosto.
Kling 4.0 — 8 na 10, użyłbym. Owoce spadają z lady jedną bryłą zamiast osobnych jabłek i pomarańczy, a w ostatnim zbliżeniu przewodniczka znika z kadru, by podnieść owoc, po czym wraca.
Seedance 2.5 — 8 na 10, użyłbym. Lada przewraca się, a pomarańcze staczają się z niej pojedynczo, nie jedną masą — i wygląda to realnie. Tylko nie widać, żeby cokolwiek albo ktokolwiek tę ladę przewrócił. Z ust przewodniczki: „Orzeźwiające. Poczęstunek w cenie biletu.”
Wan 3.0 — 8 na 10. Puentę zaczyna mówić dwa razy, a pomarańcza nie podtocza się do niej wcale. Poza tym obraz bezbłędny.
Seedance 2.0 — 8,5 na 10. Pomarańcze staczają się w stronę kamery, nie grupy, ale bez żadnych usterek — i owoc zostaje podniesiony w kadrze. „Poczęstunek w cenie biletu.”
Grok Imagine 1.5 — 8,5 na 10. Puenta pada nad pomarańczami, zanim bohaterka jakąkolwiek podniesie, ale obraz jest spójny. Dialog: „Po pańskiej lewej nasza słynna wieża zegarowa, wybudowana w 1642 roku. Poczęstunek w cenie biletu.”
FLUX.3 Video — 9 na 10, najlepszy klip rundy. Pomarańcza podtocza się pod same stopy, bohaterka podnosi ją w kadrze, a głos zagrany starannie.
Rundę drugą wygrywa FLUX.3. Z rozegraniem pomarańczowego finału — owoc toczy się do bohaterki i zostaje przez nią podniesiony w kadrze — poradziły sobie tylko trzy z ośmiu modeli. Scenę trzeba jednak uczciwie nazwać łatwiejszą: sześć z ośmiu przewodniczek wziąłbym do montażu bez poprawek, z oceną osiem punktów albo wyższą.
Bilans: remis na szczycie i rachunek za klipy
Sumarycznie trzy modele dzielą pierwsze miejsce z wynikiem 16,5 na 20: Kling 4.0, FLUX.3 Video i Seedance 2.0. Ostatnie miejsce należy do Groka: 8,5 punktu za przewodniczkę i zaledwie 2 za szopy.
Na planie Ultra w Higgsfield cała szesnastka klipów kosztowałaby mnie około 55 dolarów, a ostatnia kolumna mojego zestawienia to cena pojedynczego nagrania. Skoro czołówka remisuje, wygrywa najtańszy z niej — najlepsza jakość za najlepsze pieniądze.
(Informacja dodatkowa: podane kwoty dotyczą planu Ultra na higgsfield.ai — osobne cenniki producentów poszczególnych modeli mogą wyglądać inaczej.)
Gdybym miał wskazać jeden model, wybrałbym Klinga 4.0: dzielone pierwsze miejsce, oba klipy zdatne do użytku i koszt około 1,60 dolara za sztukę. Do scenki z przewodniczką wziąłbym natomiast wersję od FLUX.3. Seedance 2.0 nie miał problemów z błędami wizualnymi — ale nie umie liczyć: szopów policzył źle. I ciekawostka: przy moich promptach Seedance 2.0 wypadł lepiej i taniej niż Seedance 2.5.
Oba prompty znajdziecie w opisie filmu razem z linkiem do wypróbowania ich na Higgsfield. Wszystkie klipy stoją obok siebie na modelarena.ai — można tam też zagłosować na ten, który podoba wam się najbardziej. A Seedance 2.5, najdroższy model całej stawki, dobiegł do mety czwarty, tuż za własną starszą wersją 2.0 — i to przy cenie niemal pięciokrotnie wyższej niż mój zwycięzca.