尧图网页设计 
评测背景文生视频赛道已进入密集迭代阶段多家厂商在同一年内连续推出新版本模型。模型之间的竞争格局从“代际跃升”逐步转向“同代比拼”。我们需要一套可量化的横向对比框架来判断谁做得好、好在哪里。本次晓天衡宇文生视频榜单覆盖国内外 10 款主流文生视频模型基于 Arena 对战机制从 8 大内容维度、6 大应用场景进行了全面评测。我们将回答当前表现最突出的文生视频模型是谁这 10 款文生视频模型的能力差异主要体现在哪里榜单概览点击访问晓天衡宇评测社区查看完整文生视频榜单、分维度排名、分场景排名及关键对战矩阵。核心结论结论一Seedance 2.0 与 Happy Horse 1.1 居第一梯队当前榜单第 1 名为 Seedance 2.0综合 ELO 1140.8第 2 名 Happy Horse 1.1 综合 ELO 为 1134.5仅差 6.3 分综合表现已非常接近。二者直接对战中Seedance 2.0 对 Happy Horse 1.1 胜率为 50.9%表明实际用户偏好上尚未拉开明显差距。其余模型则形成了三级梯队第二梯队Happy Horse 1.0、PixVerse V6 和 PixVerse C1。三者之间对战胜率集中在 52% 上下排名次序高度胶着。第三梯队Kling 3.0、Kling 3.0 Omni、Veo 3.1 和 Grok Imagine Video。梯队内部同样接近——Kling 3.0 对 Kling 3.0 Omni 胜率 50.7%Veo 3.1 对 Grok Imagine Video 胜率 50.4%——但面对第二梯队时胜率普遍不足 50%。第四梯队Vidu Q3 Pro 以 957.2 排在末位对所有其他模型的对战胜率均低于 45%。结论二领先模型能力侧重与场景适配各有长板Seedance 2.0 与 Happy Horse 1.1 之间并非前者的全面胜出。更确切地说二者的内容维度表现与场景适配性各有亮点。内容维度上Seedance 2.0 优势集中在音频内容和运动与动态Happy Horse 1.1 则在文字与符号上领先、整体属性上轻微反超场景维度上Seedance 2.0 在教育/科研、游戏/互动和个人/社交场景中的领先幅度更突出在电商/营销及设计/创意场景中Happy Horse 1.1 则优势更明显。结论三效率维度揭示选型取舍需结合场景匹配综合 ELO 排名之外生成速度、实际成本和首次抽卡率进一步拉开了模型之间的实用差距Seedance 2.0 综合 ELO 最高但生成平均时长相对较慢Happy Horse 1.1 在能力与速度之间较为均衡PixVerse C1 和 Grok Imagine Video 性价比较为突出当前模型成功率普遍较高真正区分体验的是首次抽卡率Seedance 2.0 以 83.06% 大幅领先。不同模型在效率维度上的优势各有侧重实际选型需在能力基础上进一步匹配速度、成本与稳定性需求。评测体系评测维度本次评测从内容和场景两个维度展开基于具体维度构建纯文本提示词交由模型产出并对战。内容维度共 8 个覆盖文生视频从画面基础到高级表达的核心能力场景维度共 6 个从文生视频的实际应用场景出发。评测方法本次评测采用 Arena 对战与 ELO 评分机制Arena 对战同一提示词交给两个模型各生成一条视频由真实用户评审选出更好的一方构成大量两两对比数据。ELO 评分汇总对战结果结合模型胜负与对手强弱估算相对表现。分数越高代表模型在整体对战中越可能获得用户偏好。每个 ELO 分数附带置信区间CI置信区间越窄表明估计不确定性越小、结果精度越高。此外关键对战胜率矩阵展示任意两款模型之间的直接对战结果。详细说明ELO 计算基于 Bradley–Terry 模型通过全部对战结果估计每个模型的相对能力并将模型间胜负关系转换为 ELO 分数。计算过程中采用锚点模式仅保留提示词覆盖率 ≥ 70% 的模型参与排名并将排名倒数第 3 的模型固定为 1000 分作为基准。该设置仅用于统一分数尺度不影响模型间排名关系及 ELO 差值。置信区间采用 Bootstrap 方法通过 1000 次重采样计算 95% 置信区间取 2.5% 和 97.5% 分位数。通常情况下对局数量越多置信区间越窄结果越稳定。全流程采用盲评机制结合评审员校准测试与一致性监控保障评测结果可靠性。附API 调用参数说明深度解读综合 ELO 排名反映的是模型整体表现。不同模型在具体能力维度上存在结构性差异有的模型画面更强有的更擅长叙事或音频。下面将从内容维度能力、场景维度能力展开具体分析。内容维度Seedance 2.0 多项领先Happy Horse 1.1 两项突出内容维度上Seedance 2.0 在 6 项排名第一Happy Horse 1.1 在其余 2 项排名第一。Seedance 2.0 最突出的是音频内容及运动与动态两个维度与第 2 名 Happy Horse 1.1 拉开了较为明显的差距。其余 4 个领先维度上与 Happy Horse 1.1 的竞争相对胶着。Happy Horse 1.1 在文字与符号维度以 9.9 分的优势胜出在整体属性维度领先第 2 名 Seedance 2.0 仅 0.7 分。文生视频对比视频展示 Seedance 2.0 及 Happy Horse 1.1 基于同一提示词生成的结果。本组对比中 Happy Horse 1.1 胜出主要体现在其画面综合质感、临场感与细节相对更佳。这也与 Happy Horse 1.1 在 D6 整体属性维度上以微弱优势领先一致。除两款领先模型外其余模型各内容维度上的位次整体较为稳定中后段主要呈现 Veo 3.1 与 Grok Imagine Video 的局部互换。文字与符号维度出现了较为明显的例外综合排名第 6 的 Kling 3.0 下滑至第 8 名综合排名第 9 的 Grok Imagine Video 反而上升至第 6。不过文字与符号维度的样本规模相对较小相关差异仍需结合置信区间理解。场景维度第一梯队表现稳定中后段显现差异化优势6 个场景维度上Seedance 2.0 和 Happy Horse 1.1 两款领先模型始终占据前 2 位。Seedance 2.0 在影视/动画、教育/科研、游戏/互动和个人/社交 4 个场景中排名第 1。除影视/动画场景外Seedance 2.0 在教育/科研、游戏/互动和个人/社交场景上领先幅度较大优势更明确。Happy Horse 1.1 则在电商/营销中优势更明显设计/创意上也稳定领先。场景拆分也让部分综合排名中后段模型呈现出自身的单项优势综合第 5 的 PixVerse C1 在设计/创意和游戏/互动场景中均升至第 3。综合第 9 的 Grok Imagine Video 拿下教育/科研场景第 4。综合第 6 的 Kling 3.0 则拿下个人/社交场景第 3。值得注意的是游戏/互动场景的置信区间整体明显宽于其他场景代表该场景下相关结果更适合谨慎参考。效率分析引入成本及效率指标模型间的差异又会进一步显现出来。10 款模型的效率表现与综合 ELO 排序并未形成一致性模型能力 × 平均时长高 ELO 与高速度难兼得从生成平均时长看Kling 3.0 Omni 生成速度最快230.2 秒Kling 3.0233.9 秒紧随其后PixVerse C1259.5 秒与 PixVerse V6259.7 秒均在 260 秒左右。这四款模型综合 ELO 排名在 4-7速度优势与模型能力并不一致。Seedance 2.01063.6 秒综合 ELO 排第 1Veo 3.11027.2 秒排第 8Grok Imagine Video1213.0 秒排第 9。更慢的生成时长并不一定带来更强的能力。Happy Horse 1.1659.0 秒是一个值得注意的例子综合 ELO 排名第 2仅落后 Seedance 2.0 6.3 分但生成时长比后者快了约 400 秒在能力与速度之间较为均衡。模型能力 × 实际价格成本与能力不直接挂钩在已统计到实际价格的模型中Grok Imagine Video 最低8.0 元/条PixVerse C118.9 元/条和 Seedance 2.020.5 元/条在成本与能力之间表现出相对更好的平衡Veo 3.155.8 元/条和 Vidu Q3 Pro49.0 元/条成本最高但二者综合排名分别为第 8 和第 10成本更高产出却不一定更具优势。实际选择中价格高低与模型能力并不能形成简单的对应关系。预算敏感场景下 PixVerse C1 和 Grok Imagine Video 性价比较为突出。成功率 × 首次抽卡率成功率高不等于一次就对成功率与首次抽卡率反映的是两类不同的使用表现前者衡量模型稳定生成结果的能力后者衡量模型首次生成就更易获得用户偏好的概率。10 款模型的成功率整体处于较高水平多数模型在 96% 以上但不同模型间仍存在一定差异Kling 3.0 与 Kling 3.0 Omni 并列成功率最高99.5%Seedance 2.0 成功率相对较低90.2%Happy Horse 1.0 成功率最低87.3%。但首次抽卡率上拉开了差距Seedance 2.0 首次抽卡率以 83.06% 居首Grok Imagine Video 成功率为 99.0%但首次抽卡率为 63.41%两项指标之间存在明显差距Happy Horse 1.064.80%至 Kling 3.053.23%的 6 款模型集中在 53%–65% 区间PixVerse V6 和 Veo 3.1 成功率分别达 98.0% 和 96.8%但首次抽卡率均为 41.32%并列最低。因此不同模型在生成质量、速度、稳定性与成本之间存在明显取舍实际选择仍需结合具体生产需求。综合判断从本次评测数据来看当前文生视频赛道的竞争格局为领先模型表现接近、中后段模型在具体场景有局部优势。Seedance 2.0 与 Happy Horse 1.1 在综合 ELO 上已十分接近直接对战几乎持平。前者在更多内容维度和场景中占优在音频内容、运动与动态、教育/科研、个人/社交方面表现更有优势后者在文字与符号、电商/营销、设计/创意等方向上表现更突出。Seedance 2.0 虽然生成时长上相对不占优势但首次抽卡率远高于其他模型表明首次即可用概率更高潜在的重试次数可能更低。而综合排名靠中后的模型例如 Kling 系列与 PixVerse C1也可能凭借特定场景中的落地适配度或效率优势成为实际应用中的替代选择。注本文结论基于晓天衡宇本期评测体系与样本反映模型在该评测框架下的相对表现不代表所有业务场景中的绝对优劣。实际选型仍建议结合具体任务、成本预算与业务验证结果综合判断。写在最后最新多模态模型榜单已同步上线至晓天衡宇•评测社区官网欢迎大家访问查看更详细的评测数据。关注晓天衡宇•评测社区官方账号获取更多大模型相关知识~ 文生视频榜单解读：10 款模型内容效果、场景与效率多维对比
评测背景文生视频赛道已进入密集迭代阶段多家厂商在同一年内连续推出新版本模型。模型之间的竞争格局从“代际跃升”逐步转向“同代比拼”。我们需要一套可量化的横向对比框架来判断谁做得好、好在哪里。本次晓天衡宇文生视频榜单覆盖国内外 10 款主流文生视频模型基于 Arena 对战机制从 8 大内容维度、6 大应用场景进行了全面评测。我们将回答当前表现最突出的文生视频模型是谁这 10 款文生视频模型的能力差异主要体现在哪里榜单概览点击访问晓天衡宇评测社区查看完整文生视频榜单、分维度排名、分场景排名及关键对战矩阵。核心结论结论一Seedance 2.0 与 Happy Horse 1.1 居第一梯队当前榜单第 1 名为 Seedance 2.0综合 ELO 1140.8第 2 名 Happy Horse 1.1 综合 ELO 为 1134.5仅差 6.3 分综合表现已非常接近。二者直接对战中Seedance 2.0 对 Happy Horse 1.1 胜率为 50.9%表明实际用户偏好上尚未拉开明显差距。其余模型则形成了三级梯队第二梯队Happy Horse 1.0、PixVerse V6 和 PixVerse C1。三者之间对战胜率集中在 52% 上下排名次序高度胶着。第三梯队Kling 3.0、Kling 3.0 Omni、Veo 3.1 和 Grok Imagine Video。梯队内部同样接近——Kling 3.0 对 Kling 3.0 Omni 胜率 50.7%Veo 3.1 对 Grok Imagine Video 胜率 50.4%——但面对第二梯队时胜率普遍不足 50%。第四梯队Vidu Q3 Pro 以 957.2 排在末位对所有其他模型的对战胜率均低于 45%。结论二领先模型能力侧重与场景适配各有长板Seedance 2.0 与 Happy Horse 1.1 之间并非前者的全面胜出。更确切地说二者的内容维度表现与场景适配性各有亮点。内容维度上Seedance 2.0 优势集中在音频内容和运动与动态Happy Horse 1.1 则在文字与符号上领先、整体属性上轻微反超场景维度上Seedance 2.0 在教育/科研、游戏/互动和个人/社交场景中的领先幅度更突出在电商/营销及设计/创意场景中Happy Horse 1.1 则优势更明显。结论三效率维度揭示选型取舍需结合场景匹配综合 ELO 排名之外生成速度、实际成本和首次抽卡率进一步拉开了模型之间的实用差距Seedance 2.0 综合 ELO 最高但生成平均时长相对较慢Happy Horse 1.1 在能力与速度之间较为均衡PixVerse C1 和 Grok Imagine Video 性价比较为突出当前模型成功率普遍较高真正区分体验的是首次抽卡率Seedance 2.0 以 83.06% 大幅领先。不同模型在效率维度上的优势各有侧重实际选型需在能力基础上进一步匹配速度、成本与稳定性需求。评测体系评测维度本次评测从内容和场景两个维度展开基于具体维度构建纯文本提示词交由模型产出并对战。内容维度共 8 个覆盖文生视频从画面基础到高级表达的核心能力场景维度共 6 个从文生视频的实际应用场景出发。评测方法本次评测采用 Arena 对战与 ELO 评分机制Arena 对战同一提示词交给两个模型各生成一条视频由真实用户评审选出更好的一方构成大量两两对比数据。ELO 评分汇总对战结果结合模型胜负与对手强弱估算相对表现。分数越高代表模型在整体对战中越可能获得用户偏好。每个 ELO 分数附带置信区间CI置信区间越窄表明估计不确定性越小、结果精度越高。此外关键对战胜率矩阵展示任意两款模型之间的直接对战结果。详细说明ELO 计算基于 Bradley–Terry 模型通过全部对战结果估计每个模型的相对能力并将模型间胜负关系转换为 ELO 分数。计算过程中采用锚点模式仅保留提示词覆盖率 ≥ 70% 的模型参与排名并将排名倒数第 3 的模型固定为 1000 分作为基准。该设置仅用于统一分数尺度不影响模型间排名关系及 ELO 差值。置信区间采用 Bootstrap 方法通过 1000 次重采样计算 95% 置信区间取 2.5% 和 97.5% 分位数。通常情况下对局数量越多置信区间越窄结果越稳定。全流程采用盲评机制结合评审员校准测试与一致性监控保障评测结果可靠性。附API 调用参数说明深度解读综合 ELO 排名反映的是模型整体表现。不同模型在具体能力维度上存在结构性差异有的模型画面更强有的更擅长叙事或音频。下面将从内容维度能力、场景维度能力展开具体分析。内容维度Seedance 2.0 多项领先Happy Horse 1.1 两项突出内容维度上Seedance 2.0 在 6 项排名第一Happy Horse 1.1 在其余 2 项排名第一。Seedance 2.0 最突出的是音频内容及运动与动态两个维度与第 2 名 Happy Horse 1.1 拉开了较为明显的差距。其余 4 个领先维度上与 Happy Horse 1.1 的竞争相对胶着。Happy Horse 1.1 在文字与符号维度以 9.9 分的优势胜出在整体属性维度领先第 2 名 Seedance 2.0 仅 0.7 分。文生视频对比视频展示 Seedance 2.0 及 Happy Horse 1.1 基于同一提示词生成的结果。本组对比中 Happy Horse 1.1 胜出主要体现在其画面综合质感、临场感与细节相对更佳。这也与 Happy Horse 1.1 在 D6 整体属性维度上以微弱优势领先一致。除两款领先模型外其余模型各内容维度上的位次整体较为稳定中后段主要呈现 Veo 3.1 与 Grok Imagine Video 的局部互换。文字与符号维度出现了较为明显的例外综合排名第 6 的 Kling 3.0 下滑至第 8 名综合排名第 9 的 Grok Imagine Video 反而上升至第 6。不过文字与符号维度的样本规模相对较小相关差异仍需结合置信区间理解。场景维度第一梯队表现稳定中后段显现差异化优势6 个场景维度上Seedance 2.0 和 Happy Horse 1.1 两款领先模型始终占据前 2 位。Seedance 2.0 在影视/动画、教育/科研、游戏/互动和个人/社交 4 个场景中排名第 1。除影视/动画场景外Seedance 2.0 在教育/科研、游戏/互动和个人/社交场景上领先幅度较大优势更明确。Happy Horse 1.1 则在电商/营销中优势更明显设计/创意上也稳定领先。场景拆分也让部分综合排名中后段模型呈现出自身的单项优势综合第 5 的 PixVerse C1 在设计/创意和游戏/互动场景中均升至第 3。综合第 9 的 Grok Imagine Video 拿下教育/科研场景第 4。综合第 6 的 Kling 3.0 则拿下个人/社交场景第 3。值得注意的是游戏/互动场景的置信区间整体明显宽于其他场景代表该场景下相关结果更适合谨慎参考。效率分析引入成本及效率指标模型间的差异又会进一步显现出来。10 款模型的效率表现与综合 ELO 排序并未形成一致性模型能力 × 平均时长高 ELO 与高速度难兼得从生成平均时长看Kling 3.0 Omni 生成速度最快230.2 秒Kling 3.0233.9 秒紧随其后PixVerse C1259.5 秒与 PixVerse V6259.7 秒均在 260 秒左右。这四款模型综合 ELO 排名在 4-7速度优势与模型能力并不一致。Seedance 2.01063.6 秒综合 ELO 排第 1Veo 3.11027.2 秒排第 8Grok Imagine Video1213.0 秒排第 9。更慢的生成时长并不一定带来更强的能力。Happy Horse 1.1659.0 秒是一个值得注意的例子综合 ELO 排名第 2仅落后 Seedance 2.0 6.3 分但生成时长比后者快了约 400 秒在能力与速度之间较为均衡。模型能力 × 实际价格成本与能力不直接挂钩在已统计到实际价格的模型中Grok Imagine Video 最低8.0 元/条PixVerse C118.9 元/条和 Seedance 2.020.5 元/条在成本与能力之间表现出相对更好的平衡Veo 3.155.8 元/条和 Vidu Q3 Pro49.0 元/条成本最高但二者综合排名分别为第 8 和第 10成本更高产出却不一定更具优势。实际选择中价格高低与模型能力并不能形成简单的对应关系。预算敏感场景下 PixVerse C1 和 Grok Imagine Video 性价比较为突出。成功率 × 首次抽卡率成功率高不等于一次就对成功率与首次抽卡率反映的是两类不同的使用表现前者衡量模型稳定生成结果的能力后者衡量模型首次生成就更易获得用户偏好的概率。10 款模型的成功率整体处于较高水平多数模型在 96% 以上但不同模型间仍存在一定差异Kling 3.0 与 Kling 3.0 Omni 并列成功率最高99.5%Seedance 2.0 成功率相对较低90.2%Happy Horse 1.0 成功率最低87.3%。但首次抽卡率上拉开了差距Seedance 2.0 首次抽卡率以 83.06% 居首Grok Imagine Video 成功率为 99.0%但首次抽卡率为 63.41%两项指标之间存在明显差距Happy Horse 1.064.80%至 Kling 3.053.23%的 6 款模型集中在 53%–65% 区间PixVerse V6 和 Veo 3.1 成功率分别达 98.0% 和 96.8%但首次抽卡率均为 41.32%并列最低。因此不同模型在生成质量、速度、稳定性与成本之间存在明显取舍实际选择仍需结合具体生产需求。综合判断从本次评测数据来看当前文生视频赛道的竞争格局为领先模型表现接近、中后段模型在具体场景有局部优势。Seedance 2.0 与 Happy Horse 1.1 在综合 ELO 上已十分接近直接对战几乎持平。前者在更多内容维度和场景中占优在音频内容、运动与动态、教育/科研、个人/社交方面表现更有优势后者在文字与符号、电商/营销、设计/创意等方向上表现更突出。Seedance 2.0 虽然生成时长上相对不占优势但首次抽卡率远高于其他模型表明首次即可用概率更高潜在的重试次数可能更低。而综合排名靠中后的模型例如 Kling 系列与 PixVerse C1也可能凭借特定场景中的落地适配度或效率优势成为实际应用中的替代选择。注本文结论基于晓天衡宇本期评测体系与样本反映模型在该评测框架下的相对表现不代表所有业务场景中的绝对优劣。实际选型仍建议结合具体任务、成本预算与业务验证结果综合判断。写在最后最新多模态模型榜单已同步上线至晓天衡宇•评测社区官网欢迎大家访问查看更详细的评测数据。关注晓天衡宇•评测社区官方账号获取更多大模型相关知识~