Kling 4.0 vs Vidu Q4 Preview: Jeden z nich nie przyjmuje polecenia tekstowego

Otwórz Vidu Q4 Preview – stronę produktu – i policz tryby generowania. Są dwa: Image-to-Video i Reference-to-Video. Nie ma zakładki text-to-video, a dokumentacja API to potwierdza — punkty końcowe to /ent/v2/img2video i /ent/v2/reference2video, i żaden z nich nie przyjmuje samego promptu. Kling 4.0 z kolei jest modelem stawiającym tekst na pierwszym miejscu, który przyjmuje także obrazy, pierwszą i ostatnią klatkę oraz do dziesięciu klatek kluczowych. Zanim zacznie się porównywać Elo, rozdzielczość czy cenę, to właśnie ten fakt decyduje o większości projektów: jeden z tych modeli potrafi zacząć od zdania, a drugi potrzebuje obrazu.

Wszystko inne w tym zestawieniu wynika z tego. Vidu Q4 Preview to ukierunkowane narzędzie do ujęć rozpoczynających się od obrazu. Kling 4.0 to generator ogólnego przeznaczenia z reżyserskim panelem sterowania. Są zbieżne w zakresie obraz-do-wideo, a wszędzie indziej wyraźnie się różnią.

Co Shengshu wypuściło 7 października

Vidu Q4 Preview to pierwsza publiczna wersja zapoznawcza nowej generacji flagowego modelu Vidu, wydana celowo przed pełnym modelem Q4, aby opinie użytkowników mogły wpłynąć na ostateczne wydanie. Generuje wideo z natywnym dźwiękiem — domyślnie włączonym, wraz z dialogami i efektami dźwiękowymi — a jego specyfikacja jest wyjątkowo hojna w segmencie referencyjnym.

• Tryby — Obraz na wideo, od 3 do 16 sekund; Referencja na wideo, od 1 do 16 sekund. Brak trybu tekst-na-wideo.

• Rozdzielczość — skala 540p, 720p, 1080p, 2K i 4K, przy czym 2K i 4K zapewniają 10-bitową głębię kolorów.

• Materiały referencyjne — do 15 obrazów referencyjnych i do 3 referencyjnych klipów audio, każdy o długości od trzech do dwunastu sekund.

• Długość promptu — do 20 000 znaków w punkcie końcowym image-to-video.

• Audio — natywne, domyślnie true. Wyłącza się je celowo, a nie włącza.

• Zwracane adresy URL — adresy URL tworzenia pozostają ważne przez 24 godziny, co ma znaczenie, jeśli przetwarzasz partiami i renderujesz później.

Twierdzenie dostawcy o wydajności — „nawet pięciokrotnie większa moc wyjściowa przy tym samym budżecie” przy porównywalnych specyfikacjach — jest zabiegiem marketingowym, dopóki ktoś tego nie odtworzy, a własne materiały premierowe Shengshu zawierają zastrzeżenie, że ostateczne ceny, obsługiwane rozdzielczości, dostępność funkcji i warunki użytkowania mogą się różnić w zależności od planu i regionu.

Co Kling 4.0 oferuje na tej samej osi

Kling 4.0 jest dostępny dla wszystkich od 15 października 2026 r. W zakresie obrazu do wideo jest bardziej elastyczny z tych dwóch: do 10 obrazów kluczowych, które można umieścić, aby zdefiniować stany postaci i zmiany scen, budżet 15 referencji rozdzielony na 10 obrazów, 5 filmów o łącznym czasie do 30 sekund, referencje głosowe i 7 elementów oraz czas pojedynczego przebiegu od 3 do 30 sekund.

Różnica w czasie trwania to ta, która ujawnia się podczas montażu. Vidu Q4 Preview zatrzymuje się na 16 sekundach. Kling 4.0 osiąga 30 sekund w jednym przebiegu, a opcja przedłużenia do 2 minut jest oznaczona jako „wkrótce”. W przypadku 20-sekundowego ujęcia Vidu wymaga sklejenia, a Kling nie. W przypadku 10-sekundowego ujęcia — faktycznej jednostki większości pracy w mediach społecznościowych i reklamie — różnica znika.

Rozdzielczość jest bliższa, niż sugeruje marketing. Obie firmy deklarują 4K. Plany 2K i 4K Vidu są już dziś dostępne z 10-bitową głębią kolorów; 10-bitowy HDR Klinga przy 1080p i 4K jest oznaczony jako „wkrótce” w informacji o wydaniu i na stronie funkcji samego Kuaishou, obok natywnego 4K w proporcjach 21:9. Jeśli dostarczenie materiału w 10 bitach jest sztywnym wymogiem w tym kwartale, to deklaracja Vidu dotyczy tego, co jest obecnie faktycznie dostępne — z zastrzeżeniem dotyczącym planu i regionu.

Billboardy przekazują coś węższego niż tekst premierowy.

Artificial Analysis prowadzi rankingi wideo z osobnymi skalami Elo i osobnymi pulami głosów, a są one wersjonowane. Podczas październikowego debiutu na tablicy image-to-video w wersji v1.0 — image-to-video, dźwięk zachowany — Vidu Q4 Preview zajął trzecie miejsce z wynikiem Elo 1 179 ±10 na podstawie 5 543 próbek, przy monitorowanej cenie 7,20 USD za minutę. Powyżej znajdowały się MiniMax H3 Max z wynikiem 1 195 i MiniMax H3 z wynikiem 1 181; Gemini Omni Flash był czwarty z wynikiem 1 178. Dziesięciopunktowe przedziały od trzeciego do szóstego miejsca pokrywały się niemal całkowicie, więc „trzecie miejsce” było pozycją w granicach szumu nawet wtedy.

Luka, która nie mieściła się w szumie, to ta do poprzednika Vidu. W tym pomiarze Vidu Q3 Pro zajął dziewiętnaste miejsce z wynikiem 1 056. Ruch o 123 punkty w jednym wydaniu jest większy niż cały rozrzut wśród pierwszej szóstki rankingu i stanowi najsilniejszy dowód, że ta zapowiedź to prawdziwy skok generacyjny, a nie rebranding.

Potem tablica się zmieniła. Wersja, którą przeczytałem 23 października, to AA-Video-I2V v1.1 i wymienia 24 modele: MiniMax H3 pierwszy z 1,140, FLUX 3 Max drugi z 1,138, Dreamina Seedance 2.5 trzeci z 1,138, MiniMax H3 Max szósty z 1,125, a Vidu Q3 Pro siedemnasty z 1,016. Vidu Q4 Preview nie pojawia się nigdzie na tej liście. Notatka na górze tablicy mówi, że w ciągu ostatnich 30 dni dodano trzy modele, i żaden z nich nie jest wskazany jako wersja zapoznawcza Vidu.

Nie zamierzam udawać, że oznacza to, iż model stał się gorszy, i nie potrafię powiedzieć, dlaczego go brakuje — czy został wycofany, przeklasyfikowany, czy po prostu nie przeniesiono go do nowej wersji rankingu. Oznacza to natomiast, że każde twierdzenie o tym modelu, że jest „trzeci na świecie”, w tym to, od którego zaczął się ten artykuł, jest stwierdzeniem o konkretnym pomiarze na konkretnej wersji rankingu, a ranking obecnie tego nie potwierdza. Traktuj tę pozycję jako historię, a stronę produktu jako trwały fakt.

Na rankingu text-to-video, Vidu Q4 Preview nigdy się nie pojawił — a ta nieobecność nie jest problemem z punktacją. Najlepszym wpisem Vidu jest tam Vidu Q3 Pro, w środku tabeli, podczas gdy Wan 3.0 prowadzi. Jest to spójne ze stroną produktu: to model obrazowo-referencyjny, a ranking text-to-video go nie mierzy.

Kling 4.0 również nie pojawia się na żadnej z tych list osiem dni po ogólnym udostępnieniu. To nie jest niski wynik; to brak wyniku w obu kierunkach. Zatem porównanie jakości między tymi dwoma modelami nie istnieje w żadnej wspólnej jednostce, a jedyna niezależna liczba w tym artykule należy do modelu, którego obecna tabela liderów już nie wymienia.

Dwie liczby dotyczące ceny — i ta, na której powinieneś opierać budżet

Shengshu reklamuje Vidu Q4 Preview „od 0,014 USD za sekundę”, co daje 0,84 USD za minutę. Październikowy odczyt Artificial Analysis zarejestrował ten sam model przy 7,20 USD za minutę. To nie są te same produkty: wartość premierowa to promocyjne minimum, prawie na pewno na najniższym szczeblu drabiny rozdzielczości, a śledzona wartość to zmierzona stawka przy rozdzielczości produkcyjnej. Dostawca mówi również wprost, że ceny są promocyjne i mogą się różnić w zależności od planu i regionu. Budżetuj według wyższej kwoty, a niższą traktuj jako ofertę pozyskania.

Opublikowane stawki dla wersji zapowiedzi Kling 4.0 wynoszą 0,157 USD za sekundę przy 720p i 0,235 USD przy 1080p — 9,42 USD i 14,10 USD za minutę — bez żadnej stawki dla 4K i ze stroną, która nadal oznacza ten model jako Coming Soon. Według tych liczb oba modele mieszczą się w tym samym przedziale przy rozdzielczości produkcyjnej, przy czym Vidu jest tańszy, a Kling zapewnia 14 dodatkowych sekund na generację.

• W przeliczeniu na 10-sekundowy klip 1080p — Vidu przy śledzonej stawce 7,20 USD/min to około 1,20 USD. Kling 4.0 przy 0,235 USD/s to 2,35 USD.

• Na 30 sekund gotowego materiału — Vidu potrzebuje dwóch generacji i połączenia, około 3,60 USD plus czas na edycję. Kling 4.0 potrzebuje jednej, za 7,05 USD.

• Za 100 dziesięciosekundowych klipów — Vidu około 120 USD; Kling około 235 USD; podstawowa ścieżka MiniMax H3 wspomniana poniżej to około 80 USD.

Dostęp: jeden można wywołać, drugi jest w trakcie wdrażania

Żaden z modeli nie jest czystym, domyślnym rozwiązaniem samoobsługowym. Vidu Q4 Preview ma prawdziwe API z udokumentowanymi endpointami, co czyni go dziś łatwiejszym do zbudowania niż Kling 4.0, którego API zaczęło być udostępniane falami od 21 października, podczas gdy jego cennik dla deweloperów wciąż wskazuje, że model nie jest jeszcze dostępny. Jednak wersja Vidu jest wyraźnie oznaczona jako preview: ceny promocyjne, dostępność funkcji może ulec zmianie, a nawet błędnie zapisany alias modelu — viduq4-previerw — obok poprawnego w dokumentacji. To drobiazg, który mówi coś prawdziwego o tym, na jakim etapie znajduje się ta wersja.

Dla zespołu, który potrzebuje zarówno ścieżki opartej najpierw na tekście, jak i ścieżki opartej najpierw na obrazie, praktycznym rozwiązaniem jest pozostawienie wyboru na warstwie routingu, a nie w kodzie aplikacji. OrcaRouter nie hostuje żadnego z tych modeli — w katalogu nie ma identyfikatora Vidu ani trasy Kling 4.0 — ale hostuje Kling 3.0 za 0,084 USD za żądanie i MiniMax H3 za 0,08 USD za sekundę wygenerowanego wideo, w ramach jednego punktu końcowego zgodnego z OpenAI, obejmującego ponad 200 modeli w cenie listowej dostawcy z 0% narzutu. DSL routingu to element, który pasuje do tego konkretnego zestawienia: pozwala umieścić model ukierunkowany na tekst i model ukierunkowany na obraz za jednym interfejsem, dzięki czemu decyzja staje się parametrem, a automatyczne przełączanie awaryjne sprawia, że awaria trasy podglądowej nie pociąga za sobą całej partii.

Wybór między nimi to głównie kwestia twojego pierwszego kadru.

Jeśli twoje ujęcie zaczyna się od zdania, Vidu Q4 Preview jest niewłaściwym narzędziem i żadna liczba punktów Elo tego nie zmieni. Wygenerowałbyś stopklatkę gdzie indziej, a następnie ją przekazał — co jest prawidłowym pipeline'em, który wiele zespołów celowo stosuje, ponieważ daje im kontrolę nad pierwszym kadrem.

Jeśli Twoje ujęcie zaczyna się od fotografii, zdjęcia produktu, karty postaci lub klatki storyboardu, Vidu Q4 Preview jest lepiej udokumentowanym wyborem z tych dwóch: zajmuje trzecie miejsce w zestawieniu, poprawiło wynik o 123 punkty Elo względem własnego poprzednika, przyjmuje 15 obrazów referencyjnych i 3 klipy audio, a jego 10-bitowe 4K jest już dostępne, a nie tylko obiecywane. Ceną jest limit 16 sekund.

Jeśli potrzebujesz długości, choreografii klatek kluczowych lub ścieżki tekst-na-wideo z limitem referencji, Kling 4.0 jest jedynym z tych dwóch, który je oferuje — a jego cenę należy traktować jako tymczasową, dopóki Kuaishou nie opublikuje stawki za 4K i nie usunie banera „Wkrótce”.

Tego obrazu nie zmieniłaby kolejna specyfikacja. Zmieniłoby go pojawienie się Kling 4.0 na tablicy image-to-video — jedynym miejscu, w którym te dwa modele można by faktycznie porównać w tej samej jednostce — oraz pełna premiera Vidu Q4, która albo zachowa limit 15 obrazów referencyjnych i 10-bitowe 4K, albo po cichu je zmniejszy, gdy zakończy się cena promocyjna. Dopóki oba nie istnieją, uczciwy ranking to ten, który tablice wspierają w dniu, w którym je czytasz: Vidu Q4 Preview zajął zmierzone trzecie miejsce w październiku i obecnie nie jest na liście, Kling 4.0 nigdzie nie został zmierzony, a twoja pierwsza klatka decyduje o tym, jakie pytanie w ogóle zadajesz.