快手可灵AI 4.0已经全量上线。官方称新模型在画面真实感、创作可控性和叙事完整度上都有提升，高速运动、复杂运镜更稳，音频质量、口型匹配和多关键帧控制也一起加强了。
玩法上，文字、图片、视频、主体参考可以混着用，风格、天气、颜色、视角都能调。单次生成最长30秒，续拍能延到2分钟。创作页面近期支持4K和1080p的10-bit HDR输出，模型已接入MCP和CLI，面向企业和开发者的API预计很快开放。
生成之外，评测也在跟上。OmniCompass专门考多模态大模型的视频定位与理解，分两条线：VL要看视觉证据，AV要视听结合，两条线都覆盖时间定位、空间定位和问答。VL子集有820个视频、2460个实例，AV子集240个视频、720个实例。50个模型测下来，开源阵营整体落后专有模型，视听理解差距最明显；领先的模型也常定位不准，指定目标的方式一换，答案就可能对不上。
Orbia盯的是交互式世界模型的3D一致性：输入信息能不能保住，重访同一区域时还维不维持原样，从不同视角看到的是不是同一个场景。评估用RGB-D参考数据、锚点标注、深度与特征对应和留出视角渲染，含室内外720个样例、六种探索与重访流程，测了27个由文本、动作或摄像机条件控制的模型，还看数分钟探索后的长期一致性。
两条线看下来，生成端在往长时长、高画质、强可控冲，理解和世界模型还卡在时空定位与3D一致性上。生成和理解能不能真正对齐，是视频AI接下来的问题。