Гледах сляпо сравнение между Seedance, Kling, Grok и видео модела на Google.
За мен Seedance също спечели.
Не в абстрактния leaderboard смисъл. Просто се усещаше като моделът, който разбира сцената по-добре. Актьорска игра, движение, референции, action, кинематографична тежест. В резултата имаше повече вграден вкус.
Но не там беше интересното.
Интересното беше, че пак не бих използвал Seedance за всичко.
Точно там AI видеото вече се усеща различно. Излизаме от фазата, в която всеки инструмент е взаимозаменяема кутия за prompt-ове. Полезният въпрос вече не е:
Кой модел е най-добър?
А е:
Какъв кадър се опитвам да направя?
Сегашната ми карта е проста.
Използвай Seedance, когато кадърът трябва да бъде добър. Сложна сцена, много референции, изразителна актьорска игра, action, motion transfer или нещо, при което моделът трябва да се държи като малък режисьор, а не като машина за текстури.
Използвай Kling, когато кадърът е по-прост и итерацията има значение. Статични кадри, следване на камерата, 4K/60fps output, по-евтини повторни опити. Може да няма най-добрия таван, но понякога таванът не е проблемът. Понякога просто ти трябват четири прилични опита вместо един скъп.
Използвай Grok, когато скоростта, диалогът, емоцията или по-хлабавите guardrails имат значение. Разхвърлян е. Континуитетът се чупи. Резолюцията е ограничена. Но ако трябва бързо да усетиш сцена или да прекараш prompt, който други модели отказват по скучни safety причини, има място.
А засега най-често бих пропускал видео инструментите на Google.
Може би там някъде се крие тесен video-to-video use case. Може би моделът ще се подобри следващия месец. Но от резултатите, които видях, беше твърде непоследователен, за да насочваш истинска работа към него. Лош output е един проблем. Непредвидим output е по-лош, защото не можеш да изградиш workflow около него.
И това също е част от routing-а.
Не на всеки инструмент трябва да му дадеш работа.
Това е същото изместване, което вече се случи при генерирането на изображения. Първо питахме кой е най-добрият модел. После истинската работа стана изборът между Flux, SDXL, ControlNet, ComfyUI, upscalers, LoRAs и workflows.
Видеото стига до тази точка.
Умението не е да prompt-ваш по-силно.
Умението е да погледнеш кадъра и да знаеш какъв вид чупливост можеш да си позволиш.
Перфектен модел, който струва твърде много за итерация, може да е грешният. По-евтин модел, който уцелва простия кадър, може да е правилният. Разхвърлян модел, който ти дава емоционалния прочит за двайсет секунди, може да е полезен.
Бъдещето на AI видеото вероятно не принадлежи на човека, който е запомнил всеки leaderboard.
Принадлежи на човека, който може да насочи работата.
Коментари