بررسی Seedance 2.5 Flash: ارزون ولی بیثبات
خلاصهٔ کاملتر
Seedance 2.5 Flash نسخهی کمهزینهی مدل تولید ویدیوی Seedance 2.5 از ByteDance هست. حدود ۳۴ درصد ارزونتره و بسته به پلتفرم، هر ثانیه ویدیو حدود ۱۵ سنت درمیاد. در عوض، رزولوشنش حداکثر 480p یا 720p هست (مدل اصلی 1080p) و فقط ۲۰ تصویر مرجع قبول میکنه، نه ۵۰ تا. این مقاله همون پرامپتها رو روی هر دو مدل اجرا کرده و نتیجهها رو کنار هم گذاشته.
به گفتهی نویسنده، تفاوت اصلی رفتاریه، نه فقط فنی. مدل اصلی اشیا و شخصیتها رو تو کل شات ثابت نگه میداره، ولی Flash خطا میده: لیوانی که بدون ریختن پر میشه، ماشینی که وسط تعقیب غیب میشه، یا دوربین تفنگ تکتیراندازی که ظاهر و ناپدید میشه. یعنی Flash تو چیزی که بهش object permanence میگن (اینکه یه شیء بین فریمها سر جاش بمونه) ضعیفتره.
فرضیهی مقاله اینه که مدل اصلی یه مدل زبانی بزرگ زیرش داره که مثل یه لایهی استدلال قبل از تولید ویدیو کار میکنه، و Flash این لایه رو کم کرده تا هزینهی محاسبه پایین بیاد. اگه این درست باشه، توضیح میده چرا Flash جزئیاتی رو که باید بین فریمها دنبال بشن جا میندازه.
بدترین حالت، پرامپت متنی خالیه که مدل باید صحنه رو از صفر بسازه. image-to-video هم تو بعضی تستها کامل به هم ریخت. ولی هرچی مرجع بیشتر و دقیقتر باشه، Flash بهتر کار میکنه: یه پرامپت با ۹ مرجع (شخصیت، مکان و استوریبورد برای هر صحنه) خروجی منسجمی داد، و تکنیک depth map (یعنی دادن نقشهی عمق صحنه برای هدایت تولید) هم جواب داد. با این حال یه تست با مرجع صوتی، یه کپی اضافه از گوینده ساخت که تو صدای اصلی نبود.
Flash دومین تلاش ByteDance برای ارزون کردن Seedance بعد از Draft Mode هست. Draft Mode اول با رزولوشن پایین تولید میکنه و بعد کل ویدیو رو با کیفیت کامل دوباره میسازه، ولی Flash یه مدل مستقله که از اول برای سرعت و رزولوشن پایینتر تنظیم شده. فشار اصلی از طرف رقبایی مثل Hailuo از MiniMax هست که با هزینهی خیلی کمتر به کیفیت نزدیک شدن.
جمعبندی نویسنده اینه که فعلاً Flash «زیادی شبیه تاس انداختنه». اگه خروجی خراب بشه و مجبور شی دوباره تولید کنی، عملاً دو بار پول دادی و صرفهجویی از بین میره. برای کسایی که از قبل با مرجعهای زیاد کار میکنن مناسبتره. چون مدل تازه همراه APIش منتشر شده، احتمال داره با تنظیمات بعدی بهتر بشه.
نکات کلیدی:
- Seedance 2.5 Flash حدود ۳۴ درصد ارزونتر از مدل اصلیه و حدود ۱۵ سنت برای هر ثانیه ویدیو هزینه داره.
- رزولوشن Flash حداکثر 480p یا 720p و مدل اصلی 1080p هست.
- Flash تا ۲۰ تصویر مرجع قبول میکنه، در برابر ۵۰ تا برای مدل اصلی.
- پرامپت متنی بدون مرجع ضعیفترین نقطهی Flash هست و image-to-video هم ناپایداره.
- پرامپت با ۹ مرجع و تکنیک depth map خروجی منسجمی داد، ولی تست با مرجع صوتی خطای عجیب داشت.
- Draft Mode روش قبلی ByteDance بود که خروجی کمکیفیت رو کامل دوباره میسازه؛ Flash یه مدل جدا و مستقله.




