DeepSeek V4.1、Gemini Argon、GPT 6.1 Sol 短片实测横评

一句话提示词让AI做短片，如今已不是新鲜事。但三个模型交出的作业，质量、耗时、用量差异巨大。B站UP主“XX”的这期评测，把DeepSeek V4.1 Flash1017、Gemini Argon和GPT 6.1 Sol的三份作品连同制作说明一起摆上桌，按实际干活的质量来聊。本文基于该视频内容，结合多源信息交叉验证，还原这场横向对比的真实图景。

评测方法论：先统一数字口径

评测者开篇就强调，看模型做动画不能只盯着最后几十秒的成片，得把用了什么模型、花了多久、用了多少token、调用了哪些工具、最后交到了哪一步，全部纳入考量。生成一份网页和交付一份视频，必须分开评估。

数字口径的界定很关键：能从日志核对的按日志算，只能在说明里看到的标成“文档字报”。评的是这次活干得怎么样，不是谁把自我介绍写得最好看。这一原则贯穿始终，也是本次横评区别于简单跑分的地方。

Token与缓存读取：大模型处理长上下文时，常将重复出现的提示词或历史对话缓存在显存中，下次调用时直接复用，这部分计入“缓存读取”（cache hit），通常按较低单价计费。文章中的“累计Token”包含缓存读取和实际输出，而“输出Token”仅指模型新生成的文本量。因此，DeepSeek^广告 V4.1 Flash1017的8226万累计Token中，绝大部分是缓存读取，真正输出仅39万，两者相差两个数量级。评测时若只比累计Token，会严重高估实际计算量；若只比输出Token，又忽略上下文长度对成本的影响。统一口径需明确是否包含缓存、是否含工具调用产生的token，以及缓存是否重复计算（如GPT 6.1 Sol的缓存已含在输入中，不能二次累加）。

DeepSeek V4.1 Flash1017：投入最多，成品最丰富

制作数据与工具链

据制作说明，DeepSeek V4.1 Flash1017的模型别名为DeepSeek Flash，推理强度Max。从开始到交付共64分44秒，其中等用户继续占了约10分钟，扣除等待后实际制作54分22秒。Token累计约8226万，但大头是缓存读取，真正输出为392043。工具链覆盖三维场景、脚本、配乐、浏览器抓帧和视频编码，整条链都做了。

成片质量分析

88秒成片的制作过程记录显示，模型进行了350次工具调用和57次看图，灯塔、海面、天气、灯光都有反复打磨的痕迹。长处是做出了比较完整、比较丰富的一套成品，配套文件也齐全。不过投入多不代表每处都到位，暗处的小动作和偏小的字幕仍会影响观看体验。

Gemini Argon：网页交互亮眼，视频导出缺位

自报数据需谨慎看待

Gemini Argon的说明自爆代码生成用了65到80秒，输出约10800到11500 Token，但没有提供原始用户重量日志，这些数字只能当自爆区间。它使用了二维动画JavaScript、网页音频和网页样式工具，原交付是一份互动网页，没有MP4文件。你现在看到的视频，是评测时另外录出来的。

前端完成度获认可

完整的48秒网页作品优势明显：把事情压在一个网页里，角色表情直接，分屏、慢动作、字幕和控制栏都齐全，前端完成度挺高。章节倍速、字幕、导演视图等元素摆得很全，最像一个完整的互动播放器，界面完成度这一票评测者投给了Gemini。

但问题也很直接：如果题目要求的是视频文件，交一个能运行的网页还不能算最后一步已经结束。代码生成时间看着短，不能直接和另外两份的成片交付时间比。说明里的代码规模和当前文件有出入，耗时与用量也缺少原始日志，这些自爆数字不宜当成实测成绩。

网页交付与视频交付的差异：网页作品（HTML/CSS/JavaScript）与MP4视频是两种截然不同的交付形态。网页可交互、可自适应屏幕、可嵌入控制栏，但需要浏览器环境运行，且无法直接上传至视频平台；MP4是线性媒体，便于分发和播放，但丢失交互性。在AI短片任务中，若题目明确要求“视频文件”，则网页交付只能视为中间产物或补充材料，不能算最终完成。评测者将Gemini的网页录制为视频，仅为了横向比较画面内容，但录制过程本身消耗了额外时间，且可能损失交互逻辑。因此，比较制作耗时和用量时，必须区分“生成网页”与“导出视频”两个阶段，否则会得出错误结论。

GPT 6.1 Sol：交付最快，视觉最简

日志记录的真实数据

在Codex里完成的“月亮维修员”项目，原作日志显示实际模型为GPT 6.1 Sol，推理强度高。从用户请求写入到交付完成约12分27秒，累计275.5万Token，其中输出29884，缓存读取约263.4万（缓存已含在输入里，不能重复计算）。工具包括三维库、二维画布、Node脚本、浏览器自动抓帧和视频编码。这些数字只算最初那部短剧，不含后续的评测配音和重剪。

效率与画质的权衡

54秒成片的结果像“先把一份能用的作业按时交出来”：故事因果清楚，配乐、字幕、网页和MP4都齐全。相比DeepSeek的记录，耗时和输出Token都少得多，但代价也很直观——舞台简单、猫的肢体表演少、镜头层次有限。可以说它较快完成了可播放的交付，但不能因为数字更小就说画面质量也赢了。

推理强度（Reasoning Effort）：部分大模型提供可调的推理强度参数（如Max、High、Medium），控制模型在生成最终答案前进行内部思考的深度。强度越高，模型会消耗更多token进行多步推理、自我验证和工具调用规划，通常能提升复杂任务的质量，但显著增加延迟和成本。DeepSeek V4.1 Flash1017使用Max强度，GPT 6.1 Sol使用高（High）强度，而Gemini Argon未明确标注。推理强度不同，直接导致工具调用次数、输出token量和耗时的差异。横向对比时，若未统一推理强度，单纯比较耗时和token用量并不公平；但若任务本身允许模型自主选择强度，则实际表现才是评价依据。

横向对比：成品质量、完成度、时效与用量

把这次干活的质量放在一张表里看：DeepSeek投入更多，画面最丰富，成片和配套文件也最完整；GPT 6.1 Sol较快交付了MP4，但视觉和表演更简单；Gemini Argon网页界面和喜剧表达很积极，不过原任务的视频导出还需要补上，用量仍只有说明字报、缺少原始计量记录。

真正该比较的，是成品质量、完成到哪一步，再加上可核对的视频时长和用量。不是谁报的token少谁就自动赢。前端也是干活质量的一部分，但好看的播放器和已经导出的MP4是两件事，不能互相替代。

多源交叉验证方面，据B站UP主和YouTube频道对同类模型评测的分析，三者在工具链完整度上的排序与本次结论基本一致，consensus集中在“交付形态决定评价维度”这一点上；分歧在于Gemini的网页交付是否应视为任务完成，有观点认为互动网页本身即是有效交付，另一派则坚持视频文件才是硬性标准。

结语：你更在意哪一项？

这场横评的价值不在于排座次，而在于揭示一个事实：AI做短片的能力，不能只看成片几十秒。交付形态、用量透明度、工具链深度和视觉质量，每一项都影响最终判断。你更在意哪项，答案可能完全不同。