AI 视频模型基准测试方法：选择前需要考量的指标

AI 视频模型基准测试需要比较延迟、运动一致性、提示词遵循度、格式限制以及每秒输出成本。请使用您自己的提示词和负载模式，而不是厂商的演示视频。本文为您提供了衡量维度，包括 2026 年各主流视频 API 的每秒成本基准、用于以编程方式测量延迟和计算成本的代码，以及一种将人工评估规模化处理的方法。

AI 视频模型基准测试：关键要点

• 在可比层级（720p-1080p，相似音频设置）下，每秒成本在下文快照的低端和高端之间存在约 9 倍的差异：PixVerse V6 为 $0.045/秒（fal，720p，无音频），而 Veo 3.1 Standard 为 $0.40/秒（Google，720p-1080p，含音频）。如果包含 4K 或按 token 计费的 seedance，价格差距会更大，但这些不具备直接可比性，详见局限性说明。
• 本文引用的所有提供商定价文档均未涵盖延迟。在您亲自测量之前，请勿轻信生成时间声明，并使用下文的时间戳模式进行测量。
• 人工评估不会随测试量线性扩展。请使用两级系统：自动化技术检查免费捕获格式错误，然后对分层抽样进行人工审核。
• 在多种情况下（如 Hailuo、Veo），TokenLab 的每秒和每请求视频价格与提供商报告的单位经济效益大致吻合，这是您在投入资金前进行合理性检查的有效手段，详见下方的交叉核对表。

来源快照：视频 API 提供商定价（2026 年）

提供商	模型 / 层级	指标	数值	来源	观察日期
Google	Veo 3.1 Standard, 720p/1080p, 含音频	$/秒	$0.40	Gemini API 定价	2026-07-09
Google	Veo 3.1 Standard, 4K, 含音频	$/秒	$0.60	Gemini API 定价	2026-07-09
Google	Veo 3.1 Fast, 720p, 含音频	$/秒	$0.10	Gemini API 定价	2026-07-09
Google	Veo 3.1 Lite, 720p, 含音频	$/秒	$0.05	Gemini API 定价	2026-07-09
PixVerse	V6, 720p, 无音频	积分/秒	9	PixVerse 平台文档	2026-07-09
PixVerse (通过 fal)	V6, 720p, 无音频	$/秒	$0.045	fal PixVerse V6	2026-07-09
PixVerse (通过 fal)	V6, 1080p, 含音频	$/秒	$0.115	fal PixVerse V6	2026-07-09
MiniMax	Hailuo-2.3-Fast, 768p/6s	点数	0.7	MiniMax 视频定价	2026-07-09
MiniMax	标准套餐	$/3,760 点	$1,000	MiniMax 视频定价	2026-07-09
Runway	veo3, 所有分辨率	积分/秒	40 ($0.40/秒，按 $0.01/积分)	Runway API 定价	2026-07-09
Runway	seedance2, 480p/720p	积分/秒	36 ($0.36/秒)	Runway API 定价	2026-07-09
Kling	开发者 API	$/单位	$0.14 (每秒成本的单位基础未确认)	Kling 开发者定价	2026-07-09

Google 还声明 Veo 3.0 模型已被弃用，计划于 2026 年 6 月 30 日关闭，建议迁移至 Veo 3.1 Preview 或 GA Agent Platform 模型。如果您在生产环境中仍在使用 Veo 3.0，请务必在此日期前将其列入迁移计划，来源如上。

TokenLab 实时视频模型定价

此表仅包含 TokenLab 实时定价快照中存在的视频模型，观察日期为 2026-07-07。

TokenLab 模型	单位	费率	备注
veo3.1	每秒	$0.200000	锁定价格
veo3	每秒	$0.200000	锁定价格
veo3.1-fast	每秒	$0.080000	锁定价格
veo3-fast	每秒	$0.080000	锁定价格
seedance-1.0-pro	每 token (输出)	$2.205882	与 $/秒不可直接比较，详见局限性
seedance-1.0-pro-fast	每 token (输出)	$0.617647	与 $/秒不可直接比较
seedance-1.5-pro	每 token (输出)	$1.176471	与 $/秒不可直接比较
seedance-2.0	每 token (输出)	$6.764706	与 $/秒不可直接比较
seedance-2.0-fast	每 token (输出)	$5.441176	与 $/秒不可直接比较
seedance-2.0-mini	每 token (输出)	$3.382353	与 $/秒不可直接比较
pixverse-c1	每秒	$0.026471	锁定价格
pixverse-v5.6	每秒	$0.030882	锁定价格
pixverse-v6	每秒	$0.022059	锁定价格
hailuo-2.3	每请求	$0.280000	锁定价格
hailuo-2.3-fast	每请求	$0.190000	锁定价格
hailuo-2.3-pro	每请求	$0.490000	锁定价格
hailuo-2.3-standard	每请求	$0.280000	锁定价格

来源：TokenLab 实时模型/定价证据，观察日期 2026-07-07。

您可以在 TokenLab 模型目录中直接进行比较（支持按提供商和单位类型筛选），或在模型排名页面查看规格级比较，然后再运行您自己的测试集。

获取 API 密钥并立即运行首次测试： 创建 TokenLab API 密钥，并针对同一小样本提示词调用 pixverse-v6 或 veo3.1-fast，在进行大规模测试前对比成本和任务成功率。

TokenLab 价格与提供商数据的交叉核对

TokenLab 的锁定价格并非直接源自提供商的标价，因为路由、交易量和利润率都会影响最终定价。但您可以使用上述来源快照对 TokenLab 的定价进行合理性检查。这些估算值基于公开的提供商数据，而非 TokenLab 的内部成本基础。

比较	提供商衍生估算	TokenLab 实时价格	差值
Hailuo-2.3-Fast, 768p/6s	0.7 点 x ($1,000 / 3,760 点) = ~$0.186	$0.190 (每请求)	~$0.004，非常接近
Hailuo-2.3 standard, 768p/6s	1 点 x ($1,000 / 3,760 点) = ~$0.266	$0.280 (每请求)	~$0.014，非常接近
Veo 3.1, 无音频等效	Runway veo3.1 无音频: 20 积分/秒 x $0.01 = $0.20/秒	$0.200000 (每秒)	完全匹配
Veo 3.1 Fast, 720p	Google 列表价，含音频: $0.10/秒	$0.080000 (每秒)	TokenLab 低约 20%，是否含音频未确认
PixVerse V6, 360p 无音频	fal 分销商: $0.025/秒	$0.022059 (每秒，分辨率未确认)	接近，TokenLab 证据中未说明分辨率层级

请将每一行视为参考方向。提供商标价、分销商价格（fal、Runway）以及 MiniMax 套餐层级每点费率是三种不同的定价结构，没有任何一项能确切证实 TokenLab 的固定每秒锁定价格映射到哪种分辨率、音频设置或 SLA 层级。在构建假设精确匹配的成本模型之前，请在 TokenLab 模型目录中核实具体的分辨率和音频假设。

AI 视频模型基准测试必须衡量的指标

文本和代码基准测试是确定性的：代码能否编译、是否匹配参考答案。视频生成没有等效的“地面真理”。同一模型对同一提示词运行两次，在运动质量上可能存在明显差异，因此一个可靠的 AI 视频模型基准测试必须结合自动化技术检查与跨五个维度的结构化人工评估。

1. 延迟和队列行为

本文引用的所有提供商定价文档均未说明典型或最差情况下的生成延迟。该指标未包含在本次证据集中，您不应轻信厂商演示页面的速度声明。请自行测量：

async function timedGenerate(provider, generateFn, input) {
  const t0 = Date.now();
  let submittedAt = null;
  let completedAt = null;

  try {
    const job = await generateFn(input);
    submittedAt = Date.now();

    // 根据提供商 SDK 进行轮询或订阅；记录每次状态变更
    const result = await job.completed(); // 根据提供商文档验证精确的完成 API
    completedAt = Date.now();

    return {
      provider,
      queueMs: submittedAt - t0,
      generationMs: completedAt - submittedAt,
      totalMs: completedAt - t0,
      status: "success",
    };
  } catch (err) {
    return {
      provider,
      totalMs: Date.now() - t0,
      status: "error",
      errorType: err?.status || "unknown",
      message: err?.message,
    };
  }
}

请在 3-4 个并发请求下运行此测试，而不是逐个运行，并存储每个提供商的 p50/p90/p99 数据，而不仅仅是平均值。并发下的队列行为是提供商之间差异最大的地方，也是营销页面避而不谈的地方。

2. 运动一致性和时间连贯性

在本文使用的证据中，各提供商之间不存在行业标准的数值评分。一个实用的变通方法：在 3-4 个模型上生成相同的提示词，去除标签，并让 2-3 名评审员独立对物体持久性、背景漂移和物理合理性进行排名。

3. 提示词遵循度

按指令元素（主体、数量、摄像机方向、构图）进行通过/失败评分，而不是给出一个单一的质量数值。测试短提示词（15 字以内）、带有一个摄像机指令的中等提示词，以及带有多个构图约束的长提示词。这能为您提供可操作的细分数据，例如某个模型能很好地处理简单提示词，但在长提示词中会忽略摄像机方向。

4. 分辨率、时长和格式限制

检查每个 API 在您的定价层级下实际支持的内容，而不是标题规格：

• 默认层级与高级层级下的最大分辨率
• 单次调用的最大片段时长，以及扩展是否需要单独的拼接调用
• 音频生成是否为单独的切换开关，且会改变价格（如 Veo 3.1 和 PixVerse V6 所述）

5. 归一化后的每秒成本

各提供商的定价结构不同：MiniMax 按点数套餐扣除，PixVerse 和 fal 按分辨率和音频设置每秒收费，Runway 出售固定每秒积分，Google 按层级发布直接的每秒费率。在比较之前，请使用上方的来源快照表作为参考，将所有内容归一化为固定分辨率和音频设置下的 $/秒。

从生成任务计算每秒成本

一旦获得任务元数据（时长、分辨率、提供商），请直接计算成本，而不是从费率表中估算：

function computeCost(job, rateTable) {
  const rate = rateTable[job.provider]?.[job.resolution]?.[job.audio ? "audio" : "noAudio"];
  if (!rate) {
    throw new Error(`未找到 ${job.provider} 在 ${job.resolution} 下的费率条目，音频=${job.audio}。计费前请核实定价文档。`);
  }
  return {
    provider: job.provider,
    durationSeconds: job.durationSeconds,
    costUsd: Number((rate * job.durationSeconds).toFixed(4)),
  };
}

从上方的来源快照表中填充 rateTable，不要依赖记忆或厂商主页截图，并在每次重新运行基准测试时重新核实，因为费率会发生变化。

请求视频生成：发布前需要验证的内容

fal PixVerse V6 模型页面记录了一个 JavaScript subscribe 调用，用于 fal-ai/pixverse/v6/text-to-video，接受 prompt、resolution、duration 和 generate_audio_switch。这是此处可用的有效载荷证据的全部内容。一个仅使用这些记录字段的最小客户端包装器，包含重试和错误处理：

import { fal } from "@fal-ai/client";

async function generatePixVerseVideo(prompt, resolution, durationSeconds, withAudio) {
  const maxRetries = 3;

  for (let attempt = 1; attempt <= maxRetries; attempt++) {
    try {
      return await fal.subscribe("fal-ai/pixverse/v6/text-to-video", {
        input: {
          prompt,
          resolution,
          duration: durationSeconds,
          generate_audio_switch: withAudio,
        },
        logs: true,
      });
    } catch (err) {
      const status = err?.status || err?.response?.status;

      if (status === 429 || status === 503) {
        // 速率限制或提供商过载，退避并重试
        await new Promise((r) => setTimeout(r, 2000 * attempt));
        continue;
      }
      if (status >= 400 && status < 500) {
        // 客户端错误，不要盲目重试
        throw new Error(`PixVerse 请求被拒绝: ${status} ${err.message}`);
      }
      if (attempt === maxRetries) {
        throw new Error(`PixVerse 生成在 ${maxRetries} 次尝试后失败: ${err.message}`);
      }
    }
  }
}

此代码未在本次证据集中针对实时响应模式进行测试。在生产使用前，请在当前的 fal 和 PixVerse 文档中验证身份验证设置、确切的响应对象形状、超时行为和速率限制标头。视频生成本质上是多模态输出（帧加上可选的音频轨道）；在您基于其构建计费或自动化审核之前，必须在官方文档中确认确切的多模态请求和响应载荷。

自动化规模化人工评估

手动审查数百个生成的片段无法扩展。两级方法可将人工时间集中在真正需要的片段上：

第一级：自动化技术验证（免费，确定性）

• 任务完成 vs. 失败 vs. 超时
• 输出时长是否与请求时长匹配
• 输出分辨率是否与请求分辨率匹配
• 文件是否损坏或长度为零
• 无黑帧或单色帧输出（基本的帧采样检查）

第二级：分层人工评估（抽样）

• 审查 100% 的第一级失败任务，确认它们是真实失败而非误报
• 随机抽取 10-15% 的第一级通过任务，审查其运动一致性和提示词遵循度
• 使用上述相同的 2-3 名评审员盲测排名方法，按评分标准元素打分

一个可选的预过滤器是使用具备视觉能力的 LLM 对提取的帧进行评分，以识别严重失败（主体扭曲、缺少请求的物体），然后再进行人工评估。TokenLab 当前目录中的 Gemini 3.5 Flash 或 Claude Sonnet 5 等模型支持多模态输入，但本文使用的证据中没有针对此特定分流用例的准确性基准。在您根据自己的人工评估样本测量其误报率之前，请将任何自动化分流评分视为预过滤器，而非最终质量判断。

实用基准测试检查清单

• 定义您的用例（社交片段、产品演示、游戏资产）并选择匹配的提示词
• 构建涵盖短、中、长复杂度的固定提示词集。本文使用 20 个提示词作为工作示例，而非研究得出的最优数量；本文证据中没有提供商或学术来源指定理想的样本量，请根据您的评估预算调整规模
• 在每个候选模型上以相同的分辨率和音频设置运行每个提示词
• 记录延迟（p50/p90/p99）、根据实际任务时长计算的每秒成本以及任务成功率
• 对 100% 的输出运行第一级自动化验证，然后对失败任务及 10-15% 的样本运行第二级人工评估
• 每次测试周期前重新核实定价。本文的模型 SSOT 快照在观察后七天过期（观察日期 2026-07-07，过期日期 2026-07-14）。该节奏是特定于此快照的过期窗口，而非发布的行业标准，但这是视频定价和模型可用性应重新验证频率的合理底线
• 交叉核对 TokenLab 模型目录中的规格，而不是依赖单个厂商的营销页面

跨提供商和路由层比较

如果您在多个视频提供商之间进行路由，而不是绑定到一个 API，则同样的原则也适用于路由层。OpenRouter 比较涵盖了路由开销和提供商选择如何影响延迟和成本一致性，考虑到视频任务的运行时间远长于文本补全，这对视频任务更为重要。

有关使用相同方法对当前视频提供商进行的预运行比较，请参阅 2026 年最佳 AI 视频模型 API。如果您同时在同一流水线中评估图像模型，2026 年最佳 AI 图像模型 API 使用了类似的小规模混合方法。对于相邻的模型选择工作，2026 年最佳 AI 编码模型针对不同的工作负载应用了类似的重新测试节奏规范。

局限性

• 此处引用的所有提供商定价文档均未说明以秒或毫秒为单位的典型生成延迟。本文中的延迟数据仅限于时间戳测量方法，而非已发布的基准测试。
• Seedance TokenLab 价格为每输出 token 计费，且 token 到秒的转换率未在本文使用的证据中发布。在未与 TokenLab 或模型提供商确认编码率之前，请勿将 seedance token 定价转换为 $/秒。
• Kling 开发者定价以“单位”描述，搜索快照中参考了 $0.14 的标价，而非确认的每秒费率。在使用该费率构建成本模型前，请在 Kling 的提供商页面核实确切的每秒成本。
• PixVerse 平台的每积分美元价值仅通过入门包促销捆绑包确认（$1 = 5 个视频，720p，5s，无音频）。该捆绑包之外的独立每积分定价在本文证据集中未得到确认。
• Vidu 被列为当前的视频 API 示例，但本文中没有定价证据。请直接在 Vidu 的提供商页面核实定价。
• 跨提供商比较混合了直接提供商定价（Google、MiniMax、PixVerse）和分销商定价（fal、Runway），后者可能包含仅凭标价无法看到的加价或批量折扣。
• 本文证据集中不存在使用 LLM 作为自动化视频评估分流层的准确性基准。请将其视为未经证实的预过滤器。
• 本文推荐的 20 个提示词测试集规模和七天重新测试节奏是出于实用性考虑的工作默认值，并非基于已发表研究或提供商建议的数字。请根据您自己的人工评估能力和风险承受能力进行调整。

常见问题解答

我今天应该在 TokenLab 上开始测试哪个模型？ 根据 TokenLab 的实时定价（观察日期 2026-07-07），pixverse-v6 ($0.022059/秒) 和 veo3.1-fast ($0.08/秒) 处于每秒成本的低端，而 veo3.1 和 seedance-2.0 处于高端。一个合理的首次测试是使用一个低成本候选模型和一个高保真候选模型，针对同一固定提示词集进行运行（使用 tokenlab.sh/en/api-keys 的 API 密钥），然后再签署单一提供商合同。

我该如何以编程方式测量延迟？ 对每次调用，在请求前、任务提交后以及最终完成时记录时间戳，使用上述模式。分别存储队列时间和生成时间，并跟踪并发负载下至少几十次运行的 p50/p90/p99，而不是单次顺序测试。本文证据中的提供商均未发布典型延迟，因此该测量必须由您自己完成。

我从哪里获取每秒成本数据？ 使用本文中的来源快照表作为起始参考，对照 模型目录中的 TokenLab 实时定价进行交叉核对，然后使用上述公式根据实际任务时长计算实际成本，而不是假设固定费率，因为大多数提供商的分辨率和音频设置都会改变每秒价格。

进行可靠的基准测试需要多少个提示词？ 本文证据中没有已发表的研究指定视频模型评估的最佳提示词集大小。本文使用 20 个提示词（分为短、中、长复杂度）作为实用的起点，平衡了覆盖范围与人工评估时间。如果您的用例提示词种类更多，请扩大规模；如果是在进行大规模测试前的快速初筛，则可缩小规模。

如果必须测试数百个视频，如何自动化人工评估？ 将其分为两级：对每个输出免费运行自动化技术检查（时长匹配、分辨率匹配、损坏文件检测），然后对 100% 的第一级失败任务以及 10-15% 的随机通过样本进行人工评估。基于 LLM 的帧分流可以进一步减少人工评估量，但本文证据中未测量其准确性，因此在依赖它之前，请针对人工评估样本验证其误报率。

我应该多久重新运行一次此基准测试？ 至少在本文的模型 SSOT 快照过期时，即观察后约七天（观察日期 2026-07-07，过期日期 2026-07-14）。该窗口与此证据集本身的过期时间相关，而非独立的行业建议。视频模型版本和定价层级变化频繁，评估时运行的基准测试可能在一个季度内就会过时。

开始使用

创建 TokenLab API 密钥，并使用本文中的固定提示词集针对两个候选模型（一个来自低成本层级：pixverse-v6, veo3.1-fast；一个来自高保真层级：veo3.1, seedance-2.0）运行测试，使用上述延迟和成本计算代码。在锁定提供商合同之前，请查看 模型目录了解当前费率。