Что измерили в Гонконге
Лаборатория Artificial Intelligence Evaluation Lab при HKU Business School выпустила отчёт «Benchmarking the Performance and Safety of AI Video Generation Models». Публикация на сайте университета датирована 26 октября 2026 года.
Руководил работой профессор Джек Цзян. Команда взяла двенадцать моделей и проверила их двумя способами: генерация по тексту и генерация по тексту вместе с картинкой.
Отдельно проверяли защиту. В запросы подставляли темы, которые модели должны блокировать: недостоверные сведения, незаконный контент, насилие, предвзятость, защищённые авторским правом материалы.
Шесть измерений качества
Каждую модель оценивали по шести параметрам: визуальная непрерывность, физическая правдоподобность, эстетика, следование инструкции, качество звука и совпадение звука с картинкой.
Это разумный набор. Он отвечает на вопрос, можно ли поставить фрагмент в готовый ролик без переделки, и не сводит оценку к красивой обложке.
Результаты опубликованы с точностью до сотых. Для сравнения моделей этого хватает, для прогноза на конкретном проекте нет.
Кто где в таблице
Ниже данные из отчёта по визуальной части. Одна из двенадцати моделей в таблицу не вошла.
Разрыв между первым и последним местом по визуальной части чуть больше балла. В генеративном видео это много: примерно разница между «сойдёт для превиза» и «можно ставить в эфир».
| Модель | Текст в видео | Текст и картинка | Общая визуальная |
|---|---|---|---|
| Seedance 2.0 Pro | 3,86 | 3,79 | 3,84 |
| Veo 3.1 | 3,49 | 3,41 | 3,47 |
| Vidu Q3 Pro | 3,42 | 3,49 | 3,44 |
| Kling 3.0 | 3,42 | 2,91 | 3,27 |
| Wan 2.6 | 3,41 | 2,75 | 3,22 |
| Seedance 1.5 Pro | 3,26 | 3,21 | 3,25 |
| Kling O1 | 3,16 | 2,74 | 3,04 |
| Hailuo 2.3 | 3,08 | 2,62 | 2,95 |
| CogVideoX-3 | 3,01 | 2,70 | 2,92 |
| PixVerse V5.5 | 2,88 | 2,67 | 2,82 |
| Pika 2.2 | 2,87 | 2,68 | 2,81 |
Главный вывод: защита отстаёт
Seedance 2.0 Pro заняла первое место по всем шести измерениям качества и шестое по безопасности. Hailuo 2.3 показала лучший результат по защите и девятое место по качеству.
Авторы отчёта делают из этого осторожный вывод: отрасль склонна ставить качество выше защиты. Часть моделей всё ещё выдавала неприемлемый контент в ответ на запросы про насилие или незаконные действия.
Для заказчика это практическая вещь. Если подрядчик выбирает модель только по красоте картинки, риск уходит в сторону бренда: сгенерированный материал может не пройти модерацию площадки или принести претензию.
Почему картинка на входе ухудшает результат
У большинства моделей оценка падала, когда к тексту добавляли референсное изображение. У Wan 2.6 результат снизился с 3,41 до 2,75, у Kling 3.0 с 3,42 до 2,91.
Это совпадает с тем, что видно в работе. Картинка задаёт объект, и модели приходится удерживать его форму, свет и материалы. Свободных ресурсов на движение и композицию остаётся меньше.
Практический вывод простой: там, где важен товар, референс обязателен, а требования к движению стоит снизить. Там, где важна сцена, текстовый режим даёт больше свободы.
Что это значит для заказчика
Рейтинг отвечает на вопрос «какая нейросеть для видео лучше в среднем». На конкретной задаче распределение может перевернуться: одна модель сильна в предметке, другая в людях, третья в графике.
Сравнение нейросетей для генерации видео стоит проводить на своих кадрах. Пять типовых сцен, один и тот же промпт, слепая оценка двумя людьми. Такой тест стоит дешевле, чем ошибка на серии.
Третий вывод касается процессов. Если студия делает серии и берёт на себя ведение YouTube-канала, стабильность важнее пикового качества. Модель, которая держит лицо и свет от дубля к дублю, экономит больше, чем модель с лучшим одним кадром.
Как читать такие бенчмарки
Смотрите на дату. Модели обновляются каждые несколько недель, и отчёт быстро устаревает.
Смотрите на набор моделей. Здесь двенадцать штук, и у части из них уже вышли новые версии. Отсутствие модели в таблице не значит, что она плохая.
Смотрите на методику. Оценка по шести измерениям полезна, но она не отвечает на вопрос о правах, стоимости секунды и скорости очереди.
И последнее. Любая цифра в таком отчёте описывает средний результат на чужих промптах. Ваш промпт может попасть в слабое место модели, и это выяснится только на тесте.
Вывод
Исследование HKU полезно одним: оно показывает, что гонка за картинкой обгоняет работу над защитой. Видео нейросетями уже делают сериалы и рекламу, а предсказуемость на опасных запросах отстаёт.
Для практики я бы взял из отчёта две вещи. Первая: референсное изображение почти всегда снижает оценку, и это надо учитывать в планировании. Вторая: выбор модели по одному рейтингу опасен, тест на своих сценах обязателен.
Ручные ролики при этом остаются страховкой: каждую сцену проверяет человек до того, как она попадёт в монтаж.
