Три видеомодели получили одну картинку шиншиллы — и у всех поплыли передние лапы. Для тех, кто генерирует животных, тут неприятный вывод: дорогая модель не обязательно спасёт, если сама сцена слишком сложная.

Сгенерированная шиншилла с заметно искажёнными передними лапами — пример сложной сцены, в которой видеомодели допускают ошибки.Источник: zenn.dev

Автор гайда сделал 8-секундное видео умывающейся шиншиллы через fal.ai. На YouTube он изучил 1279 роликов: у груминга была медиана 5,16 млн просмотров. Выбор казался логичным, но популярность сцены не означает, что её легко сгенерировать. В трёх моделях — h3-max-turbo, veo3.1-lite и wan-3.0 — лапы сливались с грудью или превращались в комки шерсти. Codex предложил почти одинаковые исправления: уменьшить амплитуду движения и сохранить форму пальцев.

Wan-3.0 стоила дороже остальных — $0,10 за секунду против $0,01 и $0,03, — но потеряла центр кадра, изменила морду шиншиллы и остановила груминг на шестой секунде. Вторая попытка была проще: лапы спрятали, а движение свели к шевелению усов и носа и паре морганий. Слияния и деформации исчезли; зато у всех моделей мерцали тонкие полосы на шерсти и усы. По оценке автора, veo3.1-lite лучше контролировала движение, а h3-max-turbo — композицию. Победителя не вышло.

На первый прогон в итоге ушло $1,12 — около 170 рублей. Сразу после генерации баланс показывал списание только $0,32: оплата отобразилась с задержкой, так что цифрам на экране не всегда стоит верить. Есть и оговорка к самому тесту: Codex оценивал пять стоп-кадров с интервалом в две секунды, а такой способ мог принять естественно движущиеся детали за поломку. Вывод всё равно практичный: перед сравнением моделей проверьте сцену попроще, где проблемные части тела не видны. Иначе тестируете не только модель, но и выбранную сложность.

ИсточникZenn 生成AI