Sora 让「文生视频」从实验室走进大众视野，但对绝大多数创作者而言，云端 API 的幻觉一致性和成本依然劝退。好消息是：一批开源底座已经能在单卡 4090 上强跑。本文横评 6 款，给出可复现的横向对比。
一、先说结论速览
| 模型 | 最小显存 | 10s 生成耗时 | 镜头一致性 | 赛博适配 |
|---|---|---|---|---|
| V1 | 12G | 约 6 min | ☆☆☆☆ | 高 |
| V2 | 16G | 约 9 min | ☆☆☆ | 中 |
| V3 | 8G | 约 5 min | ☆☆☆ | 高 |
整体规律：越新的底座越省显存，但风格化（尤其霓虹夜景）的「手感」仍依赖 LoRA 与提示词控制。
二、Diffusion 管线仍是主流
多数开源底座走 DiT + VAE 架构：文本先映射成隐空间，再由扩散模型逐步去噪成视频帧。它的优势是可控性，缺点是多步采样慢。
三、镜头一致性：视频生成的生死线
文生视频最常翻车的是「主角一变脸、场景跳切」。横评里，引入运动先验 + 全局一致性注意力的模型表现最好，而纯逐帧生成的方案几乎无法商用。
实战建议：生成前先写死「镜头脚本」，把角色、环境、光影关键词固定，能大幅减少跳变。
四、赛博朋克风格的适配技巧
- 提示词里固定住
neon rain, cyberpunk street, holographic signs三个关键词。 - 用 LoRA 固化「紫青」色板，避免模型随机偏色。
- 首帧用图片（image-to-video）锚定构图，再延伸运动。
五、4090 之外：显存不够怎么办
用 offload + 分块去噪 可以 12G 卡跑 16G 模型，代价是生成时间翻倍。或者干脆用 Later 版本的低分辨率起步，再配合 Video Super-Resolution 放大，综合体验往往更好。
六、下一步在路上
开源世界的迭代速度远超预期，几乎每月都有新底座。关注 1718M.CN，我们会持续跟踪并更新这份横评表。如果你有实战经验，欢迎在评论区聊。