Vidu Q3 将参考生视频拆分为三款产品。这既是模型决策，也是产品打包决策。
大多数视频模型发布时只宣布一次，之后便以同一个名称出现在各处。Vidu 对其 Q3 参考生视频产品线却反其道而行。
9月14日，阿里云 Model Studio 列出了三款独立的 Vidu Q3 参考生视频模型。第一款 viduq3-mix 是通用模型，接收参考图像和文本提示词，并将这些图像中的主体融合进所描述的场景。第二款 viduq3-ad 面向广告，具备营销级场景剪辑、镜头运动以及直接音频输出；你上传产品图片，就能得到广告视频。第三款 viduq3-drama 面向短剧和 AI 漫画制作，针对故事驱动内容调优了角色一致性、运动效果和情感表达。
三款模型均以每秒 0.14 美元的价格运行，支持 720p 或 1080p，速率限制为每秒 5 次请求。三者的定价完全相同，这说明差异化不在成本，而在输出行为。
Vidu 真正要解决的问题
Vidu 来自北京的生数科技。其 Q3 模型于 2026 年 1 月 30 日发布，并迅速登上基准测试榜单。Artificial Analysis 在发布时将其列为中国第一、全球第二，领先于 Runway Gen-4.5、Google Veo 3.1 和 OpenAI 的 Sora 2，得分为 1241。
支撑这一排名的三项技术转变值得点明。Q3 是最早一批在生成画面的同一遍流程中产出同步对白、音效和背景音乐的长视频模型之一，而不是在后期再附加音频。它将单次生成片段延长到 16 秒，这在当时的主要模型中是最长的。它还构建了参考生视频系统，用户上传角色、物体或风格的 3 到 7 张图像，模型便将这些图像作为后续生成中的视觉锚点。
参考系统才是最有意思的部分。2026 年的大多数视频模型都在同一条轴上竞争：让单个片段看起来惊艳。Vidu 的押注不同。它的卖点从来不是“看这个绝美镜头”。而是“看同一个角色出现在十个镜头里，并注意到他们仍然像同一个人”。
这是一个更难的问题，而它正是系列内容真正依赖的东西。在与 Runway Gen-4、Kling 3.0、Luma Ray、Pika 2.0 和 Sora 2 的对比中，使用同一角色提示词测试六种场景变化，Vidu Q3 在六项测试中的五项里保持了面部和服装一致性。
一致性正是区分“一次性片段工具”和“系列内容工具”的关键。对于动漫创作者、短剧制作人，以及任何围绕常驻角色打造品牌内容的人来说，它改变了可能性边界。
为什么三个 SKU 很重要
把一个模型家族拆成三个命名产品，看起来像营销选择。实际上更接近采购决策。
广告团队和短剧工作室购买的不是同一样东西，即使底层的 transformer 相似也是如此。广告买家需要产品保真度、干净的场景转场，以及能配合品牌声音的音频。短剧买家需要角色在剧集和镜头之间保持身份一致，并且表情能读作表演。把它们打包成独立的模型 ID，并配有各自文档，能让每个买家只针对一项任务进行评估和预算，而不必阅读通用功能列表然后猜测。
通用型 mix 模型则服务于这两个盒子之外的所有人。对于一个买家越来越是有截止日期的制作团队、而非测试提示词的爱好者的市场来说，这是一种合理的结构。
Vidu Claw 与流水线层
把模型打包只是战略的一半。另一半是组装层。Vidu Claw 是一个 AI 创作自动化引擎，构建在开源 OpenClaw 框架之上，由 Q3 驱动。你连接自己的 Vidu token，定义 Skills，并自动化从想法到成片的路径。像“为面向 Instagram 年轻女性的跑鞋制作一支短视频广告”这样一句提示词，就足以让 Vidu Claw 生成概念、脚本、分镜、视觉、配音、音乐和最终剪辑。
独立评测的评价褒贬不一，但这种方式很有参考价值。一位评测者在产品广告上测试后发现，该平台对学生和初学者确实免费且易用，但报告称它在精确的结构细节上表现吃力。有一个案例中，即使反复修改提示词，它仍会以某种方式渲染某个细节，使其格外显眼；输出也带有明显的 AI 味道，光照和色彩显得廉价。
这就是诚实的取舍。Vidu Claw 是一个面向个人创作者和小型营销团队的生产力工具，适合需要快速从概念推进到可用草稿的场景，而不是专业制作团队的替代品。顺利时，它能把五天的广告制作周期压缩到一天。不顺利时，质量问题很难被忽视。
Vidu 正在构建的生态
参考生视频的聚焦与一个分发生态相连。2026 年 2 月，软件公司万兴科技宣布对生数科技进行战略投资，双方计划在 AI 漫画上合作。Vidu Q3 模型被集成到一个全链路 AI 漫画制作平台中，用于让角色、声音和场景在剧集之间保持一致。阿里云百炼平台也在 2026 年 5 月将 Vidu Q3 添加为第三方模型。
因此，这个模型至少通过三个渠道流通：直接的网页和 API 访问、面向漫画和短剧的创作平台，以及云模型市场。每个渠道都有不同的买家，对“足够好”的定义也不同。
钱到底在哪里
转向系列内容不是创作偏好，而是预算所在。短剧是多集产品，有常驻演员阵容，其经济性取决于产出比单支广告或一次性片段多得多的素材。如果模型迫使创作者在每个镜头都从零处理角色外观，那么生成素材节省下来的成本就会被一致性修复吃掉。Vidu 的押注是：愿意为每秒 0.14 美元付费的团队，买的不是单个漂亮镜头，而是一种让同一个人在整部剧中保持可辨识的方法。
这也是为什么参考系统比原始质量分数更重要。一个在全球基准上排名第二的模型令人印象深刻，但基准衡量的是片段。参考功能衡量的是系列。两者不是同一种购买行为，而 Vidu 卖的是后者。
它尚未兑现的地方
参考一致性并不完美，六分之五不等于六分之六。在失败的第六个案例中，工具交付的面部和服装偏离了源图，而这正是会毁掉一个系列的失败。成本也是真实存在的，每秒 0.14 美元在一个 16 秒片段上会迅速累积，在系列规模、数百个镜头投入使用时更会变得显著。流水线层产出的是草稿，而不是成品广告；评测者发现，即使反复修改提示词，它也无法可靠地修正某个结构性细节。
还有一个结构性限制值得点明。参考生视频锚定的是身份，但它尚未解决整部制作中的连续性。仍然需要有人做出导演选择，把一组一致的片段变成故事；而模型对节奏、镜头覆盖，甚至某个场景是否应该存在，都没有意见。
值得关注什么
三 SKU 结构是其他厂商可能效仿的部分。如果参考生视频成为系列内容制作的默认方式，预计会有更多模型家族推出针对具体任务的变体，而不是单一旗舰。接下来重要的问题是：这种一致性能否在更长时长和更复杂镜头运动中保持，以及流水线层能否好到可以卖给工作室，而不只是个人创作者。