AI视频开始算「每次迭代成本」：4–8 步 LoRA、Seedance 价格与实时评测 (2026)

8 月 7 日 09:00 至 8 月 9 日 09:00（北京时间），AI 视频行业出现的几个信号，指向的都不是「样片还能不能更漂亮」，而是生成一次要花多少、多久、失败后能不能解释。MiniMax H3 的社区 LoRA 把采样从约 20 步压到 4–8 步；火山方舟调整 Seedance 的价格和计费口径；同一周公开的两篇 arXiv 工作，则分别把实时长视频和可诊断评测推到台面上。

把这些材料放在一起，竞争单位正在从单条视频的峰值效果，变成一次可重复的生产迭代：同样的镜头，团队能否在预算内生成足够多的候选，能否在交付时维持动作、声音和身份一致，出了问题又能否指出是哪个环节失效。

信号	新增内容	能支持的判断	目前不能支持的判断
MiniMax H3 Turbo LoRA	4–8 步推理；约 20 步降至 4 步时，采样步骤最多减少约 5 倍	本地或自托管部署的迭代成本有下降空间	端到端成本、并发吞吐和生产稳定性已下降 5 倍
Seedance 价格与计费	2.0 mini/fast 的限时折扣；2.5 按视频 token 计费	生成预算可以按分辨率、输入视频和输出时长拆开核算	折扣等于长期价格，或等于客户 ROI
Vorch-Streamer	四步去噪，报告 27.12 FPS	长时音视频生成可以把实时播放作为系统目标	单卡演示等于线上服务的 P95 延迟和毛利
VideoArgus	为每个输入预先生成、对所有候选复用的 rubric，并输出诊断报告	评测可以从一个总分走向可追踪的失败类型	VLM 评分已经替代人工验收

4–8 步 LoRA：省下的是采样机会，不是自动省下整条流水线

8 月 7 日，B2B News Network 报道一名独立开发者为 MiniMax H3 发布实验性 LoRA。这个适配器不是新的基础模型，而是把扩散采样从标准流程约 20 步压到 4 或 8 步；按 4 步计算，采样步骤最多减少约 5 倍。1

这项变化对本地工作流的意义很直接：同一张显卡、同一段等待时间，理论上可以多尝试几版镜头。对于需要反复改提示词、首帧、动作和音频的团队，候选数量本身就是生产力。

但「4 步」不是一个可以直接写进 SLA 的数字。LoRA 项目页面把有效区间写成 4–8 步，6–8 步通常明显好于 4 步；超过 8 步还可能出现过锐伪影。当前推荐的 v4 checkpoint 对静态和小运动更好，但在 4 步加大幅快速运动时仍可能出现拖影和运动模糊，音频与快速强运动也还在继续改进。2

这也解释了为什么不能把「约 5 倍」直接改写成「成本下降 5 倍」。端到端账单还包括模型加载、显存、视频和音频后处理、任务排队、失败重试以及人工筛选。4 步若让快速运动镜头多返工一次，省下的三分之二采样步骤可能会被返工吞掉。当前公开材料也没有给出一组独立的端到端延迟、失败率和单位成片成本基准；因此它首先是一个扩大迭代次数的工程信号，还不是生产结论。

Seedance 价格表：竞争从「能不能生成」变成「预算够几次尝试」

火山方舟文档显示，Seedance 2.0 mini 和 fast 的 480p、720p 限时优惠自 8 月 7 日 14:00 起生效，前者按刊例价 4 折，后者按 75 折；以 720p 为例，mini 最低约 0.2 元/秒，fast 最低约 0.6 元/秒。3

同一份文档对 Seedance 2.5 给出的不是简单的每秒单价，而是 token 计费：不含视频输入为 70 元/百万 token，含视频输入为 42 元/百万 token；视频 token 用量按「输入视频时长 + 输出视频时长」乘以输出宽、高和帧率，再除以 1024 估算，离线推理暂不支持。3

官方示例更能说明预算差异：不含视频输入时，480p、16:9、输出 5 秒约 3.36 元，720p 同条件约 7.56 元，后者约 1.51 元/秒。按这个示例计算，生成 100 条 5 秒 720p 候选，调用费约 756 元；这还没有计入失败任务、选片、剪辑和再次生成。输入参考视频后，2–30 秒输入、输出 5 秒的 720p 示例价格扩大到 8.16–31.75 元/条，输入内容本身也进入成本函数。3

因此，这张价格表真正改变的不是某个模型在榜单上的位置，而是采购方的提问方式。过去常问「一条视频多少钱」，现在更应该问：为了得到一条通过审核的成片，平均要生成几版？输入参考视频会把成本推高多少？失败重试是否计费？不同分辨率能否在同一条工作流里回退？如果供应商只报成功生成的单价，那个数字并不能代表生产成本。

这里还要把两种信号分开。Seedance 的价格是官方计费规则，能证明调用层的收费方式和当前优惠；H3 Turbo LoRA 的 5 倍则来自采样步数变化和社区实验，不能和云端 API 的每秒价格直接横向比较。前者回答「买一次调用要付多少」，后者回答「自托管时能否更快地产生下一版」。只有把画质、显存、并发和返工率放进同一测试集，二者才有可比性。

实时帧率和评测 rubric：运行时指标开始进入验收表

8 月 7 日 arXiv 的计算机视觉新列表中，Vorch-Streamer 和 VideoArgus 提供了两种不同的补充。前者把目标设为长形式音视频流式生成，后者把「怎样判断一条视频是否合格」做成了可复用的评测框架。4

Vorch-Streamer 是一篇预印本。论文使用 8 万条、每条 12–21 秒的合成 avatar clips，结合混合 Teacher Forcing 与 Diffusion Forcing，再用长时 Self Forcing 和 DMD 蒸馏训练因果生成器；外部语言模型预测 25 Hz 的 speech-planning tokens。作者报告四步去噪下达到 27.12 FPS，超过 24 FPS 的实时播放速率，同时保持有竞争力的音画同步和身份保持。5

27.12 FPS 是一个有用的目标，却不是完整的服务指标。论文的实验设置没有替采购方回答显存峰值、首帧时间、并发数、持续运行时长、长时漂移和失败恢复。更不能从合成 avatar 数据直接推导真人拍摄、复杂镜头或商业广告的端到端毛利。它的价值在于把「实时」从宣传词变成至少可以测量的运行时约束：持续吞吐必须高于播放速率，音画同步和身份保持也要同时过关。

VideoArgus 解决的是另一半问题。它覆盖文本生视频、图像驱动、主体驱动以及两类编辑任务；对每个输入先生成一个不看候选输出的、样本专属的 rubric，再让所有候选视频接受同一组具体条件、评分规则、失败模式和证据计划。系统按规则调用 VLM 问答、目标跟踪、OCR、深度和空间关系分析、闪烁检测等工具，最后生成分项得分、依据和诊断报告。配套 VideoArgus-Bench 包含 1,026 个输入实例，rubric 预先生成、冻结并发布。6

它对生产团队的启发比「又多了一个榜单」更实际。一个合格测试不应只有总分，而应固定输入和验收条件，分别记录动作是否完成、主体是否保持、文字是否正确、时间一致性是否崩溃、音画是否同步，以及每个失败是否能追溯到提示词、模型、采样步数还是后处理。VLM 评分仍需抽样人工复核；但 output-blind rubric 至少避免了看完某个模型的输出后再临时改标准。

低成本部署仍要留下来源和披露记录

本期的技术和价格信号都在降低一次生成的门槛，合规边界却没有随之降低。欧盟委员会关于 AI Act 第 50 条的指南写明，该条款自 2026 年 8 月 2 日适用：提供者要为 AI 生成或操纵内容加入可机器读取的标记；部署者在观众接触深伪内容时，还要履行告知义务。7

这意味着本地 LoRA、低价 API 和更快的推理并不会自动构成合规方案。生成、剪辑、转码、换音轨、比例适配和发布之间，只要有一个环节丢掉标记或改变了首次披露页面，低调用费也不能弥补证据链的断裂。更快的迭代反而会增加版本数量，要求系统记录每条成片用了哪个模型、哪一版参数、哪份输入素材、经历了哪些编辑，以及最终在哪个平台首次曝光。

采购验收要从一段样片改成一组可回放任务

如果要比较 H3 Turbo LoRA、自托管工作流和 Seedance 这类 API，建议至少固定以下条件：

同一输入集：固定分辨率、时长、首帧或参考视频、动作类型和音频要求，不能用静态样片代表快速运动，也不能用 480p 结果替代 720p 交付。
端到端账本：记录生成、排队、显存、存储、转码、失败重试、人工审核和返工，分别报告每条成功成片的平均成本与 P95 成本。
运行时指标：同时测首帧时间、持续 FPS、并发数、峰值显存、长时漂移和失败恢复；「四步」或「27.12 FPS」只能作为其中一个字段。
质量与诊断：固定动作完成、主体身份、音画同步、文字、时间一致性和编辑保真等条件，输出失败类型而不是只给一个总分。
来源链：验证机器可读标记能否穿过剪辑和发布链，验证深伪披露是否出现在观众首次接触的位置，并保存模型、素材、审批和目标平台记录。

这几个信号共同指向的不是「AI 视频已经变便宜」，而是价格、速度和质量开始必须在同一张验收表里对账。4–8 步 LoRA 让本地团队有机会多试几版，Seedance 的价格表让云端迭代可以先做预算，Vorch-Streamer 给出实时吞吐的技术目标，VideoArgus 则把失败解释纳入评测。真正能进入生产的方案，最后要回答的不是一段视频看起来有多惊艳，而是：在什么输入和并发下，花多少钱、等多久、失败多少次，交付时又能否证明它从哪里来。