职业病，看到别人做的测试记录就想扒来看看方法严不严谨。这篇是达摩院那个 I2VGen-XL 的图生视频实测，虽然是老模型了，但作者的测试思路我觉得挺值得学。
模型分两阶段，第一阶段图转短视频，第二阶段把短视频升成高清，参数量三十多亿。作者是在云 GPU 上跑的，说要 50G 左右显存，他拿 48G 的 A6000 凑合上了。
有意思的是测试维度铺得挺开：先是人像肖像，然后加英文文字提示、加中文提示、加长中文提示，还专门试了 16:9 和 1:1 的输入图对比，最后换了小丑、蜥蜴人、城堡画、多角色网格这些不同素材。
结论比较实在：一致性不够，从源图到视频人物经常变样，小丑跑完基本认不出了；反倒是蜥蜴人这种原创角色因为没有参照，不一致反而能接受。多角色那个更逗，四个人被它扩成八个各自动。文字提示加了跟没加区别不大。
作者最后说技术有意思但离实用还有距离，这话放当时挺中肯，现在回头看进步是真快。