凌晨两点，渲染进度条走完。这是一条3分钟的短片：主角是个穿黑色羊毛大衣、眉骨有疤的侦探，场景从雨街转到便利店。如果只看前30秒，画面很逼真；但到了第2分钟，问题出现了。
这不是新手失误，而是目前主流模型在长视频叙事上的通病。2026年中，Sora 3进入影视工业流程[[1]]，快手可灵V2也在API层迭代[[2]]。大家不再只卷4K分辨率，而是卷“耐力”：角色能不能保持一致？物理动作合不合理？
为了公平对比，我设计了一个极简但棘手的剧本《雨夜重逢》：主角雨中行走、进店、对话、离开。全程只用文本生成视频（Text-to-Video），禁用图生视频，以测试模型对长序列的理解能力。参测的还有Runway Gen-4和Luma Dream Machine 1.5。
角色一致性：谁记得住主角的脸？
长视频最怕“变脸”。3分钟里，只要1%的特征漂移，观众就出戏。
Sora 3表现最稳。根据2026年4月的工业应用数据[[1]]，它引入了隐式世界模型，能记住角色特征。实测中，主角眉骨的疤痕在18个镜头里位置没变，大衣材质也没偏移。它似乎用某种“全局潜变量”锁定了核心特征。
可灵V2则在前90秒完美，但第2分钟后露怯。Atlas Cloud的对比数据显示[[2]]，可灵虽强化了“主体保持”，但在长序列中，主角发色从黑变深褐，眉骨疤痕在第2分10秒短暂消失。逐帧看，这是逻辑断裂。
Runway和Luma更吃力。Runway在处理复杂动作时，人物边缘模糊；Luma拼接后风格跳跃，前半段写实，后半段像卡通。
物理逻辑：是真实还是幻觉？
2026年初，业界共识是“物理一致性”是新战场[[3]]。
在雨夜场景中，雨水溅射、踩水坑的阻力、自动门的延迟都是考验。
Sora 3的雨滴轨迹符合流体力学，人物运动无“滑步”。可灵V2静态物体（如货架商品）很稳，但动态交互（如拿商品的手部弯曲）略显僵硬。
Luma在便利店背景电子屏上出现了文字乱码；Runway的大衣下摆甚至穿透了地面。这种低级错误在长视频中极易被识破。
镜头语言：有意图还是随机采样？
长视频不是短片堆砌，需要镜头连贯性。
Sora 3内置类似传统摄像机的控制接口，可指定焦距和运动轨迹。实测中，从特写到全景的过渡平滑，镜头运动有明确意图。可灵V2也有运镜控制，但多镜头组合时剪辑稍显生硬，偶有跳切。
Runway和Luma主要靠Prompt隐式生成，缺乏参数控制。结果是镜头方向常无理由逆转，破坏叙事流畅。
怎么选？
实测结论很清晰：
- Sora 3：长视频叙事、角色一致性、物理逻辑领先。适合对质量要求极高的影视级制作，但算力和接入成本高，适合大型工作室。
- 可灵V2：性价比和易用性好。虽然长视频有轻微特征漂移，但对大多数非特写镜头可接受。适合短视频平台和社交媒体内容创作。
- Runway/Luma：目前更适合生成5-15秒短片，再后期剪辑成长视频。直接生成3分钟以上连贯视频仍有挑战。
选型关键不在参数大小，而在应用场景。需要快速迭代、低成本内容，选可灵V2；追求极致视觉叙事和工业标准，Sora 3仍是首选。
视频生成的战争才刚开始。胜负手不再是每秒多少帧，而是每一帧背后的逻辑。
