Was können eigentlich aktuelle KI-Modelle? Diese Frage beschäftigt mich hier zunehmend, denn es wird immer schwerer, die aktuellen Entwicklungen zu verfolgen. LLMs sind seit Anfang letzten Jahr von schlechtem Code, den man aus einem Chatfenster kopieren muss, hin zu über 1200 Agenten kooperieren, um eine Firma zu hacken gekommen, die gerade übrigens auch für Milliarden an Nvidia verkauft wurde. Aber LLMs sind nicht das Einzige, was sich weiterentwickelt hat. Auch wenn sie für mich meistens im Vordergrund stehen, weil der Impact einfach am größten ist. Heute will ich das aber ein bisschen erweitern und in Zukunft auch noch mehr Modellarten mit euch gemeinsam ansehen. Ihr habt euch schon von mir gewünscht, dass ich 3D-Modelle mir anschaue, genauso wie Bild, Audio und auch Videomodelle. Und mit genau denen fangen wir heute an. Dazu brauchen wir aber erstmal eine Baseline. Also was ist denn eigentlich der aktuelle Stand der Dinge? Den testen wir. Das heißt, wie auch bei allen anderen Modellen und allen anderen Tests, nicht, dass ich uneingeschränkter Fan von dem bin, was passiert. Aber ich finde es heute fast fahrlässig, nicht zu wissen, was in dem Feld eigentlich geht und versuche mein Bestes hier darüber aufzuklären. Und deswegen auch hier ein neuer Test. Und ich verspreche, der wird nicht nur spannend, sondern auch ein bisschen lustig. Ich hab mir Mühe gegeben, okay? Einmal ganz kurz das Testgerüst. Sieben Modelle bekommen jeweils 13 Anfragen. Das sind dann 91. Elf davon gehören zu einer bildkonditionierten Kette. Der erste Clip erhält dasselbe Ausgangsbild bei allen. Danach wird jeweils das letzte Bild eines Clips an den nächsten weitergegeben. So entstehen pro Modell elf Segmente mit jeweils acht Sekunden und damit ein One-Take von ungefähr 88 Sekunden. Dazu kommen zwei weitere reine Text-zu-Video-Proben. Einmal ein Ölgemälde in Bewegung und einmal Friedrich Merz in einer Anime-Duell-Arena. Für jede dieser 13 Aufgaben gibt es genau einen inhaltlichen Versuch. Wiederholt wird nur, wenn der Transport oder das Test-Harness technisch kaputt geht. Vor dem Lauf stand für jedes Modell fest, über welche Route es seine Bilder und Anschluss-Frames bekommt. Deshalb unterscheiden sich Auflösung, Bildrate, Kontinuitätsmechanik und teilweise sogar auch die Art, wie ein Bild übergeben wird. Genau für so einen Lauf ist Higgs Field in Sicht. Inzwischen meine Plattform der Wahl. Und für meinen Workflow passt sie einfach, weil mehrere Video-, Bild- und Audio-Modelle in einer Web-Oberfläche unter einem gemeinsamen Credit-Pool zusammenkommen. Wenn ich direkt vom Browser arbeiten möchte, dann kann ich dort schon beim Start und vor dem Generieren sehen, wie viele Credits ein Job braucht. Hinterher kann ich im Usage-Bereich nachvollziehen, was einzelne Modelle wie verbraucht haben und welche Credits nach fehlgeschlagener Generierung auch zurückgekommen sind. Das kann auch mal vorkommen. So, das war's. Jetzt kann ich dann vorab die geplanten Kosten und kann hinterher den tatsächlichen Verbrauch samt Rückerstattung prüfen. Für diesen Benchmark war aber vor allem die zweite Arbeitsweise wichtig, und zwar eine MCP-Verbindung. Über die starte ich Generierungen direkt aus einem z.B. bestehenden Workflow. Ich kann dann einfach meinen Higgs Field Account per OAuth verbinden, brauche keinen separaten API-Key und die Ergebnisse aus diesen Generierungen landen danach z.B. in den Assets für diesen Benchmark. Und ohne Witz, das hört sich jetzt kompliziert an. Aber fragt einfach Cloud oder Chatsubity bzw. Codecs danach, was ihr halt braucht und dann wird das installiert. Anders habe ich es ehrlich gesagt auch nicht gemacht. Jede Generierung über MCP verbraucht natürlich immer dieselben Credits wie über Web. Und in diesem Test sind so 6 Cloud-Modelle mit insgesamt 78 Jobs einfach mal so durchgelaufen. Minimax H3 war der einzige lokale Lauf, der auf meiner Grafikkarte lief, um das Ganze mal zu vergleichen. Wenn ich mehrere Modellschritte dann später z.B. zu einem Produktionsablauf verbinden will oder verschiedene Routen direkt vergleichen will. Dann würde ich dafür wahrscheinlich Canvas nehmen, das ist bei Higgsfield auf der Webseite, das ist die Node-basierte visuelle Pipeline, die viele von euch vielleicht von z.B. ComfyUI kennen. Die Modelle werden zu Knoten und ich kann sie dann eben verketten und parallel auf dieselbe Aufgabe draufschicken und die Ergebnisse nacheinander vergleichen oder halt auch nacheinander timen und den ganzen Aufbau danach als Template sichern. Für die Planung einer Szene vor der Generierung gibt es dann auch zusätzlich noch sowas wie Cinema Studio als zusätzlich Regie- und Produktionsschicht. Dort lassen sich dann auch noch die ganzen Projekte, die man dann auch noch in der Serie machen kann. Da kann man sich dann sowas wie Kamera, Objektive, Blende, Kamerabewegung, Tempo und Bildreferenzen strukturiert dann auch festlegen. Für Werbeproduktion haben sie ein Marketingstudio, was einfach auch nochmal was on top ist, als eigenen Arbeitsbereich und sowas wie Lippensynchronisation bekommt Lipsync Studio und für UGC gibt's die UGC Factory. Da ist wirklich alles was dabei. Und wichtig für das hier folgende Ergebnis. Canvas und Cinema Studio habe ich in diesem Benchmark absichtlich nicht benutzt. Gemessen wird die rohe Kapazität. Das heißt der einzelnen Modellrouten, eine zusätzliche Regie, Schnitt oder Workflow-Schicht würde genau die Frage nach dem einen Modell halt verändern und das will ich hier möglichst vermeiden. Wenn ihr Higgsfield aber selber ausprobieren wollt und schauen wollt, welche dieser Arbeitsweisen speziell zu eurem Workflow passt, dann findet ihr den Link in der Beschreibung. Vielen vielen Dank an Higgsfield für die Unterstützung und dass ich solchen Benchmark-Kram hier überhaupt machen kann. Und damit lasst uns mal die sieben einzelnen Modelle anschauen. Bevor wir die Modelle einzeln aufmachen. Ein Regel für diesen Teil. Wenn ein Hersteller Gesamtparameter und aktive Parameter veröffentlicht hat, dann bekommt er natürlich beide Zahlen. Wenn er sie aber nicht veröffentlicht hat, dann kann ich hier halt auch keine nennen. Außerdem ist mir klar, dass man mit einem sehr guten Comfy-UI-Workflow noch wirklich viel mehr herausholen kann, oder wenn man zum Beispiel Cinema Studio oder sowas benutzt. Das gilt genauso, wenn man aber zum Beispiel auch selbst Schauspieler hat und danach nur die Person austauscht oder es nur im Hintergrund benutzt oder in der Post nochmal drüber geht. Das ist vergleichbar mit einer Software, die man versucht zu one-shotten. Versus danach nochmal was zu korrigieren. Natürlich kann ich danach nochmal an den richtigen Stellen drüber gehen. Es gibt ja sogar Editing-Modelle für Videos mittlerweile. Aber ich will hier testen, wie die rohe Performance der Modelle ist, damit ich das Ganze vergleichen kann. Dazu testen wir zunächst mit einem Bild von mir als Referenz, ob ein Modell eine Szene über 11 Shots hinweg konsistent halten kann. Das Foto ist aber nur der Startpunkt. Danach muss der Zustand von Shot zu Shot überleben. Ich stehe auf. Fahre mit dem Fahrrad durch einen Straßenzug, weiche einer Frau mit Dackel aus, halte vor einer Bäckerei, bestelle und fahre dann am Ende auch tatsächlich wieder weg. Und da ist sogar Dialog dabei. Über diese Strecke müssen dieselbe Person, dieselbe Straße, Bäckerin, dieselben Gegenstände erhalten bleiben. Und dazwischen kommen bewusst Aufgaben, die einzeln erstmal simpel aussehen. Also zum Beispiel sowas wie ein Schild, das lesbar bleiben muss, drei Brötchen müssen wirklich drei sein, deutscher Dialog muss zu den Lippen passen, Hände müssen Teig vernünftig kneten, Espresso muss fließen und ein Glas erst beim Aufprall zerbrechen. Anschließend nehmen wir das Referenzbild komplett weg und schauen, was die Modelle aus reinem Text zu Video machen. Die erste Aufgabe ist ein alter deutscher Straßenzug als lebendes Ölgemälde. Die dicken Pinselstriche sollen sich sichtbar bewegen und bitte auch schimmern, während Wolken ziehen und ein Radfahrer durchs Bild fährt. Mensch, toll, oder? Damit testen wir, ob das Modell den Stil auch überbewegt. Und dann kommt als letztes der gute Friedrich Merz in einer Anime-Duell-Arena. Ohne Referenzbild soll das Modell ihn aus dem eigenen Wissen darstellen, also quasi wie sieht er aus, das muss es können, eine Karte dann mit Überstunden lesbar zeigen und ihn auch einen gewissen Satz sagen lassen, den ich euch jetzt noch nicht spoilern möchte. Und erst danach ein Monster aus Aktenordnern Stechhose. Da sehen wir gleichzeitig, ob es Merz überhaupt erkennt, deutschen Text und Sprache hinbekommt, die Lippen dazu passen, die Reihenfolge stimmt und der Anime-Look eben auch nicht auseinanderfällt. Oder ob die Generierung sogar blockiert wird. Auch das hatten wir. Der erste Kandidat beginnt für mich nicht im Silicon Valley, sondern ziemlich genau zu Hause. Black Forest Labs wurde in Freiburg gegründet, hat dort bis heute seinen Hauptsitz und inzwischen noch ein Lab in San Francisco. Ich komme selbst aus Freiburg, natürlich macht das Flux 3 Video für mich nicht automatisch besser, aber komplett untechnisch interessiert mich halt schon, was ausgerechnet das Videomodell aus Freiburg gegen Google, ByteDance und Kuai-Shu macht. Und ja, es ist natürlich kein einfach so zusammengewürfeltes Team. Zu den Gründern gehören Leute hinter Latent Diffusion, Stable Diffusion und Flux 1. Flux 3 ging am 23. Juli 2026 zunächst in den Early Access. Am 4. Juli folgte die erste allgemein verfügbare Videofassung. Black Forest Labs beschreibt es nicht als Bildmodell, bei dem man nachträglich Bewegung beigebracht hat, sondern als wirklich multimodales Foundation-Modell, das Bild, Video und Audio gemeinsam lernt. Self Flow nennen sie den ganzen Ansatz. Eine multimodale Flow-Matching-Architektur, in der Video und Synchronton von Anfang an auch zusammengehören. Und das merkt man auch daran, was die offizielle Route als Ausgangsmaterial akzeptiert. Sie kann mit reinem Text, mit einem Startbild, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video, mit einem Video oder sogar mehreren Keyframes arbeiten. Für eine Fortsetzung darf man außerdem bis zu 4 Sekunden vorhandenes Video mitsamt Ton übergeben. Ein neuerzeugter Clip kann bis zu 20 Sekunden lang sein. Die Bildrate liegt bei 24 fps, Full-HD entsteht über einen Upscaling-Schritt. Was Black Forest Labs dagegen NICHT verrät, leider, ist die Größe. Für Flux3 Video gibt es weder veröffentlichte Gesamtzahlen noch eine Zahl für aktive Parameter. 1. Dieser Videofassung sind ebenfalls nicht öffentlich, was irgendwie eins der wenigen Male von Flux ist. Dokumentiert sind allerdings die eigene API und ausgewählte Partner. Privaten Gewichtszugang hat BFL für den weiteren Rollout aber angekündigt. Noch ist es nicht passiert. Die geplante offene Flux 3 Dev-Fassung ist davon getrennt und nicht das Modell, das hier gelaufen ist. Denn in unserem Protokoll steht nur Flux 3 Video. Welche genaue BFL-Version der Alias dann angesprochen hat, das kann ich tatsächlich im Nachhinein wahrscheinlich gar nicht mal so unbedingt nachvollziehen. Fest steht allerdings, für die 11 Teile der Kette bekam das Modell jeweils das letzte Bild als festen gemeinsamen Startpunkt. Wie die anderen auch, damit ihr es vergleichen könnt. Bestellt waren 8 Sekunden mit Ton in 1080p herausgekommen, ist ein One-Take mit 1920x1080 Pixeln und, wie wir es erwartet haben, 24 Bildern pro Sekunde. Bei 12 der 13 Jobs gelten. Kam ein Ergebnis zurück. Aber die Märzprobe wurde mit dem Plattformstatus Not Safe for Work vom Modell abgelehnt und vollständig von Hicksfield erstattet. Addiert man alle 13 Joblaufzeiten, kommt Flux auf 58 Minuten und 37 Sekunden Berechnungszeit. Nach der Erstattung bleiben 864 Credits und damit rechnerisch 48 US-Dollar an Kosten. Okay, wir fangen an mit Flux 3 und ich fange vorne an. Das heißt, ich werde ein bisschen mehr dazu sagen beim ersten Mal. Danach wird es ein bisschen schneller werden, falls ihr Angst habt wegen der Zeit. Aber wir lassen uns hier schon Zeit. Ich will das auch mal richtig mit euch analysieren. Vor allem beim ersten. Flux 3 hat als erstes, also wir vergeben für jede einzelne Szene Punkte, dann fürs Zusammenfügen Punkte, also dass es quasi ein One-Take ist. Das ist mir wichtig gewesen, weil ich dann so die Konsistenz sehe, die ja gesamt gehalten werden muss. Dann vergeben wir selbstverständlich auch noch Punkte für den Stil vom Text-to-Video. Und für das März-Video, also quasi ob es das gemacht hat, was Flux ja schon nicht gemacht hat, das wisst ihr ja schon. Und insgesamt teile ich dann einfach die Punkte. Ich gebe jeweils 0 bis 10. Wir teilen das dann einfach durch die Gesamtzahl. Das sind dann 14 Kategorien, also 14 Szenen, die ich einzeln bewerte, wo ich dann einzelne Punkte gebe von 0 bis 10. Dann haben wir einen Gesamtwert. Gut, wir starten mit der ersten Szene. Das ist ich als Eingabebild, das ist vorgegeben, stehe auf von meinem Studio und gehe auf die Straße. Und das wollen wir uns jetzt mal anschauen. Einmal angucken. Das ist clever gelöst. Das ist sehr clever gelöst, weil es hat ja nur 8 Sekunden Zeit. Also das Video darf nur 8 Sekunden gehen. Und von dort auf zu stehen und dann direkt im Studio zu sein und dann auf die Straße zu kommen, das ist smart gemacht. Die Straße sieht auch ziemlich aus wie so eine typisch deutsche Straße. Die Häuser sehen aus, als könnten sie so in Freiburg stehen. Die Regenrinde hier macht natürlich keinen Sinn. Und da haben wir irgendwie so zwei Türen nebeneinander. Also es sind schon einige weirde Takes dabei. Auch, dass jemand einfach sein Fahrrad da draußen stehen lässt, das ist auch seltsam. Und der Vorsprung hier. Aber ansonsten ist es einigermaßen konsistent. Das sieht ein bisschen seltsam aus. Das hat meine Haare richtig erkannt. Die Qualität ist jetzt nicht die beste, klar. Aber ich habe eine Brille auf, ich habe den Bart behalten, ich habe die Ohren behalten. Ich habe 1, 2, 3, 4. Zumindest kann ich einigermaßen. Fünf Finger erkennen. Ich habe graue Schuhe an, die ich nicht besitze, aber die hat man nicht gesehen. Deswegen mache ich da keinen Vorwurf. Die Hose ist auch, naja, ein bisschen eng anliegender, als ich es sagen würde. Aber okay. Fahrrad sieht brauchbar aus. Das sieht nicht irgendwie völlig deformiert aus. An sich smart gemacht, tatsächlich. Sehr smart gemacht. Kann man den Text auf dem Stuhl lesen? Eine Sekunde, da muss ich näher rangehen. Nein, da steht einfach nur irgendwas. Ich habe denselben Stuhl gerade bei mir, falls ihr es richtig lesen wollt. Und da ist noch so ein fettes Kissen drin auf dem Stuhl. Das ist auch spannend. Kann man aber natürlich auch nicht sehen. Dafür kann ich keine Punkte abziehen. Aber ich finde es sehr interessant. Das ist offenbar den Stuhl kennt, weil das sieht man auf dem Eingabebild nicht, dass es ein Backblaze ist. Und ja, ich habe mehrere Stühle. Da drüben liegt gerade wieder die Katze auf dem anderen. Deswegen nehme ich auf dem hier auf. Der sieht erstaunlich nah an dem aus, oder? Also abgesehen von dem blauen Ding hier und dass hier kein Kissen ist. Aber ansonsten, also das hat eindeutig den Stuhl kennengelernt, eindeutig. Auch das Logo ist da drauf. Das habe ich alles nicht im Eingabebild mit drin. Das ist da nicht zu sehen. Das hat da alles sich zusammen gereicht. Spannend. Das ist sehr, sehr interessant. Das wurde hundertprozentig auf Influencer Daten trainiert. Das Modell. Hart. Safe, ey, Wahnsinn. Würde mich auch interessieren, ob das bei euch dann vielleicht schlechter funktioniert. Sprich, es hat Daten von mir. Das würde mich tatsächlich interessieren. Mann, ey, ist schon weird irgendwie, in was für einer Zeit wir leben, dass ich da einfach in das Modelltraining offenbar eingeflossen bin. Also das ist beeindruckend. Ich bin ehrlich mit euch. Ich würde dem Ganzen hier sieben Punkte geben. Das ist schon, also natürlich ist es eindeutig KI und eindeutig auch erkennbar als solche Sachen. Und überhaupt nicht konsistent an vielen, vielen Orten. Aber das ist ja auch gar nicht das, was ich hier testen möchte. Wenn man sich da Mühe gibt, dann kann man da noch editieren und was weiß ich was. Hatte ich ja schon vorhin gesagt. Okay, zweite Szene. Wir gehen los und die Seite hat sich geändert. Das war vorher nicht da und das war vorher auch nicht da. Okay, also einmal ganz kurz. Die Bäckerei Müller, das war eigentlich das Ziel hierbei. Die Frau hier ist einigermaßen dieselbe geblieben, glaube ich. Ich bin einigermaßen derselbe geblieben. Mein Pulli ist einigermaßen derselbe geblieben. Mein Fahrrad bewegt sich einigermaßen logisch. Also ich besitze kein solches Fahrrad, aber ist egal. Die Fensterfront ist überhaupt nicht dieselbe geblieben. Dazu müsste man jetzt natürlich das vorherige Video angeben können. Und ich bin quasi, eigentlich war mein Studio die Bäckerei Müller hier offenbar. Ähm, Bäckerei Müller. Und was steht da oben? Mü... Seht ihr, deswegen habe ich es Müller genannt. Weil Bäckerei Müller. Das sind Sonderzeichen. Das heißt, die Bäckerei Müller. Das sind Sonderzeichen. Die nicht in so vielen Trainingsdaten drin sind. Man merkt, dass das Modell ziemlich deutsch ist. Das ist nämlich da offensichtlich auch auf deutschen Daten trainiert worden. Da steht auch noch Bäckerei. Das ist gerade noch nicht da gewesen, oder? Das steht nicht... Doch, da steht Back... Backerei. Genau das wollte ich testen. Backerei steht da. An der Seite hier, auf der rechten Seite, falls ihr es seht. Backerei. Ist das eine Weltsch? Sie sollte wahrscheinlich Müller sein. Aber dann hat sie es umentschlossen und hat gesagt, ah, ich weiß nicht, was es ist. Ja, okay. Also an sich, klar, das ist nicht konsistent von dem, wie es ist. Dazu fehlt dem Modell wahrscheinlich... Oder dazu fehlte der Eingabe einfach die Vorinformation, dass ich da quasi herkomme. Ähm, aber der Text war auch nicht so premium. Da würde ich tatsächlich ein paar Punkte für abziehen. Das sind wir bei... Ich würde sagen vier Punkten. Das ist schon einigermaßen gut. Aber jetzt nicht eindeutig. So, ah, da hatten wir einen Schnitt drin. Und wir kommen wieder bei Backerei Müller an. Und wir weichen aus. Was ist mit ihr passiert? Ja, spannend. Okay, also da haben wir einmal einen Schnitt drin. Da habe ich noch einigermaßen denselben Pullover an. Das sieht auch noch einigermaßen konsistent aus. Jetzt gibt es einen Schnitt. Und hier habe ich plötzlich den Aufdruck auf dem Rücken. Obwohl ich ihn hier noch nicht habe. Das Modell weiß das eigentlich. Da hat es ordentlich kaputt gemacht. Da hat es auch meine Frisur geändert. Und der Aufdruck, der eigentlich vorne drauf war, ist jetzt hinten drauf. Und auch verändert, selbstverständlich. Komplett verändert sogar. So, hier ist die Frau mit dem Dackel. Also gut, hier kann ich nicht bewerten, was da passiert ist. Eigentlich soll das auch nicht schneiden. Eigentlich soll das ein One-Tag sein. So, Backerei Müller taucht schon wieder auf. Da sieht man aber tatsächlich ganz gut. Sie spawnt aus dem Nichts. Der Dackel trollt mich ein bisschen. Meine Schuhe sind konsistent geblieben. Einmal in Grau, das ist gut. Mein Bart ist länger geworden, habe ich das Gefühl. Und das Mädchen ist einfach... Was mit ihr passiert ist, weiß ich auch nicht. Sie hält auch die Hände nicht am Lenkrad, sondern einen so in der Mitte und steht dann neben dem Fahrrad. Also, sie ist ganz kaputt gegangen hier. Ja, also dem würde ich vielleicht noch so drei Punkte geben. Wir wollen ja auch ein bisschen Luft nach oben lassen. Also, das ist gut. Das ist gut. Das ist gut. Das ist gut. Das ist gut. Okay. Schauen wir uns Szene 4 an. Sie steht immer noch auf dem Fahrrad. Ich komme nochmal bei einer neuen Backerei Müller an. Und es schwenkt nach oben. Okay. Sehr geil. Wir haben dann drei Backerei Müller hier offenbar in der Umgebung. Jetzt ist er noch irgendwo hergekommen. Wo kommt denn jetzt seine Nase her? Er hält irgendwie den Lenker von dem Fahrrad von dem Mädchen. Das finde ich auch spannend. Und sie steht einfach mitten auf dem Fahrrad. Okay. Der Dackel ist auch hier weiter gekommen. Das ist okay. Der Dackel holt mich fast ein. Ich parke. Steig ab. Stell das Ding an die Hauswand. Und dann gehe ich in die Backerei rein wohl. Okay. Das ist schwierig zu bewerten. Es ist einigermaßen konsistent, wie ich gefahren bin. Aber ich weiß nicht, wo der Typ hergekommen ist. Ich würde dem auch wieder drei Punkte geben. Das war schon sehr, sehr wild mit dem Spawnen von irgendwelchen Sachen. Okay. 10 zu 5. Ich gehe wieder runter. Und ich komme nochmal an. Und ich habe merklich zugenommen. Ach du Scheiße. Und der Aufdruck ist wieder vorne drauf. Okay. Also. Ich habe merklich zugenommen. Der Aufdruck ist wieder vorne drauf. Das ist aber trotzdem der falsche Aufdruck. Ich habe mein Fahrrad dann nochmal neu abgelegt. Und es steht konkret korrekt geöffnet da. Das ist gut geworden. Man sieht sogar die Glocke. Ja. Ähm. Also mal abgesehen davon, was es mit mir gemacht hat, ist es gar nicht so furchtbar. Da hinten sieht man noch ein bisschen die Straße. Das ist natürlich eine andere wieder. Da würde ich sagen, gebe ich mal fünf Punkte. Das war jetzt nicht komplett furchtbar. Okay. Drei Brötchen und ein Espresso bitte. Kommt sofort. Das ist gut. Ah, da ist aber nur eins zu. Also hier wollte ich offensichtlich, wie ihr merkt, die Sprache testen. Das heißt, ich habe hier ganz deutlich in Deutsch gehofft, dass ich mich höre. Und das tue ich tatsächlich auch. Also die Sprache ist ja nicht drin. Das ist auf jeden Fall gut geworden. Und sie hat auch geantwortet. Ich habe das Gefühl, ich habe nochmal zugenommen. Das Modell ist smart. Ich habe nämlich extra gesagt, ich will sehen, wie viele Finger man hochhält. Außer von ihr beim Brötchen einpacken, kann ich das nicht sehen, wie viele Finger da sind. Weil ich meine Hände in meinem Pullover stecken habe. Sie hat aber tatsächlich fünf Finger, wie es hier scheint zumindest. Grabbelt aber in etwas rum, was ich nicht unbedingt als Brötchen werden würde, sondern eher als Kartoffeln. Und packt mir auch nur eins rein. Ich werde betrogen. Ich kriege zwei Brötchen zu wenig bei der Bäckerei Müller. Der Wortlaut war aber wirklich beeindruckend. Der war sehr stark. Dem Ganzen gebe ich hier sieben Punkte. Das war mein Hauptfokus. Okay, Szene sieben. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Dann essen Sie sie bitte schnell, bevor Sie Zugriff bekommen. Gut, gut, gut. Also das, was ich sage, das habe ich explizit ins Prompt reingeschrieben, weil ich wissen wollte, was sie darauf antwortet. Ich finde die Antwort gar nicht so schlecht für so eine quatschige Frage von mir. Dann essen Sie sie bitte schnell, bevor Sie Zugriff bekommen. Das finde ich gut. Auch diese Ticke hier ist relativ gleich geblieben, zumindest würde ich das sagen. Ich muss noch mal kurz wegen Lippen-Synchronität gucken. Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Dann essen Sie sie bitte schnell, bevor Sie Zugriff bekommen. Stark. Stark, stark, stark. Okay, das ist... Ich muss da kurz ein bisschen ran zoomen. Kann ich hier ran zoomen? Lass mich kurz gucken. Ich kann es für euch nicht so richtig zoomen, aber ich kann es natürlich für mich ein bisschen größer machen. Ich mach das mal eben kurz, weil ich glaube, die Szene ist relevant, sodass ihr das auch sehen könnt. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Dann essen Sie sie bitte schnell, bevor Sie Zugriff bekommen. Also das ist besser als so manche Lippen-Synchronität bei mir in den Videos, weil ich einfach beim Aufnehmen offenbar ein bisschen Delay hatte in letzter Zeit. Das ist nicht übel. Dem würde ich tatsächlich... Acht Punkte geben. Wobei, nee, was heißt acht Punkte? Komm, das ist doch Quatsch. Neun Punkte. Wir haben ja die visuelle Qualität auch schon an anderen Stellen, die wir bewerten. Aber das war wirklich sehr Lippen-Synchron, sehr gut gesprochen. Sie hat auch eine einigermaßen vernünftige Antwort erschaffen. Was ich spannend finde, weil das ist ja ein Videomodell, also da steckt kein Large-English-Model dahinter, was dann eine Antwort generieren könnte, sondern das kommt vom Videomodell. Beeindruckend. Was war das? Moment. Kring? Wo kommt das Kring her? Okay, das war im Video. Ich gehe. Ich habe wieder zugenommen. Der Typ knetet. Moment, das will ich genauer sehen. Finger sind einigermaßen richtig. Sieht einigermaßen sinnvoll aus, tatsächlich. Was heißt einigermaßen? Sieht sinnvoll aus. Kring. Das Kring macht mich fertig. Okay, aktuell ist es ein junger Typ, der den Teig knetet. Merken wir uns. Kring. Kring. Nicht schlecht. Wobei, das wird sowieso nicht konsistent bleiben. Mein Logo hat sich ja auch wieder heftig verändert. Aber alles in allem, das Kneten wollte ich hier vor allem testen. Die Knetphysik, die Hände, die Finger, das ist tatsächlich sehr, sehr stark gewesen. Ich würde dem auch wieder 8 Punkte geben, hier. So, jetzt geht es um den Espresso. Und um die Cremigkeit, der Flüssigkeit, wie das da reinläuft. Das ist bei mir zu schnell. Ja, okay. Das sieht sehr stark aus. Ich mache das nochmal ganz kurz, dass ihr die Flüssigkeit auch sehen könnt, wenn die reinkommt. Einmal Sekunde, ich mache mich wieder mal in den Hintergrund, hier. Also, ich würde schon sagen, dass das gar nicht mal verkehrt ist, so wie der Espresso hier reinläuft. Dieses reinplätschern quasi, dass es dann auch so ein bisschen tropft und dass es dann auch innen drin, gerade hier der Teil mit dem innen drin, dieser Schaum, der runtergeht und die Cremeflüssigkeit oben, das ist stark. Spannend, also finde ich gut, also natürlich hat sich ja komplett alles geändert, also da stand ja vorher ich und die Maschine ist einfach irgendwo gespawnt, ich habe schon wieder zugenommen, da im Hintergrund sieht man mich kurz, das ist alles überhaupt nicht konsistent, will ich hier aber gar nicht bewerten, in der Szene, in der Szene geht es mir um die Flüssigkeit, um das Cremige vom Espresso und wie das da so runtertropft. Deswegen habe ich die Szene überhaupt genommen. Das fand ich tatsächlich, ist für mich eine 9 gewesen. Das war wirklich eine 9. Das war wirklich sehr, sehr stark. So, Szene 10. Ah ja, das Glas zerbricht. Okay, ich habe mir einen kleinen Spickzettel nebenbei gemacht. Das ist einfach, weil es jetzt noch läuft. Und, oh, oh, oh, es ist mir gefallen, es ist schon in der Luft zerbrochen und es ist viel zu wenig Flüssigkeit. Machen wir nochmal. Okay, sie stellt das da hin und hier gleich zerbricht das Ganze schon. Also ich weiß auch nicht, was das sein soll. Und hier steht überall Bäckereimüller und mein Pulli hat sich wieder verändert. Ähm. Und ich habe wieder zugenommen. Mein Bart ist wieder länger geworden. Meine Brille hat sich verändert, oder? Ja, doch, meine Brille hat sich auch verändert. Ich muss nachgucken. Das ist gruselig. So, hier lässt sich's fallen. Also da jongliert es irgendwie ganz awkward damit rum. Und dann... Hier. Habe ich das richtig gesehen? Ne, habe ich nicht richtig gesehen. Ah, da sieht man auf jeden Fall einen komischen Glitch innen drin. Da ist das Glas ein bisschen im Teller drin. Was ist das im Hintergrund? Moment. Ah, erstaunlich konsistent. Also die ganze Szene ist erstaunlich konsistent. Das hätte ich so nicht erwartet. So. Jetzt hier morpht sich der Teller ein kleines bisschen. Und er zerbricht tatsächlich in der Luft so ein bisschen. Oh, das ist sehr schnell. Ja, also das wirkt für mich als würde der Teller zerbrechen. Hier ist er definitiv. An mehreren Stellen gleichzeitig. Das Glas fällt. Das ist okay. Ich kriege auf jeden Fall kein Espresso mehr. Nicht in dem Video. Oh, ich habe keine grauen Schuhe mehr an. Aber ich glaube das war gar nicht mehr so drin. Also ich meine die Theke ist ja auch sonst wo gespawnt. Mein Fahrrad ist einfach im Laden. Auch gut. Ja, und das ist auf jeden Fall viel zu wenig Flüssigkeit. Eigentlich wollte ich testen, wie das Ganze aussieht, wenn es in dem Moment, wo es zerbricht. Das hat es mir leider nicht gegeben. Da hat es noch oben gefilmt. Das Glas ist relativ weit zerbrochen. Aber ich glaube es sind ein paar wenig Scherben. Können natürlich noch vorne dran was liegen. Aber es ist viel zu wenig Flüssigkeit. Also da war ein ganzes Espresso drin. Wenn der bei mir runter fliegt, dann ist alles nass. Okay. Aber. Der Ton vom zerbrechen war gut. Das hat leider kurz geleckt. Eine Sekunde. Na, mittelmäßig. Da würde ich tatsächlich 5 Punkte geben für. Das war nicht ganz so super. Aber auf jeden Fall nicht furchtbar. Achso, Szene 11. Was will ich testen? Ich will gucken, ob die Personen noch da sind. Und ich will sehen, wie ich einfach abgehe. Okay, also die Szene hat sich komplett wieder geändert. Die Tür ist auf der anderen Seite. Eine Sekunde. Wie sehe ich aus? Die Bäckerin sieht auch anders aus. Die ganze Theke sieht komplett anders aus. Wo kommen denn die ganzen Süßspeisen her? Und die Brötchen sehen aus wie Brötchen. Damit kann ich nicht. Sehr gut. Und hinten dran, wenn ihr seht, ist Bäckerei Müller am anderen Ende. Auf der anderen Seite. Das ist ja völlig falsch. Der Text hier ist aber tatsächlich Sieht für mich so aus, als könnte er gespiegelt sein. Das könnte man nachprüfen. Einmal drehen das Ganze. Okay, also. Das hat sich alles geändert. Die Kaffeemaschine steht jetzt da drüben. Und geknetet wurde ich ... Wo jetzt genau? Ah, das schneiden wir quasi einmal auf die andere Seite, sodass ich quasi da zurückgehe. Also zu mir zurückgehe. Ja, also hier wechselt die Theke einmal komplett die Seite sozusagen. Und dann wechselt das hier wieder rüber. Ja, da machen wir einen Flip, aber trotzdem ist der Ausgang noch auf derselben Seite. Das ist null konsistent. Das ist nicht so stark. Also Konsistenz ist Hauptkritikpunkt, würde ich behaupten. Ich würde dem hier drei Punkte geben. Weil das auch das ist, was ich hier testen wollte. So, jetzt einmal den gesamten One-Take in einem Go. Ich muss auch nicht treten. Das passiert irgendwie alles von alleine. Ich trete nur, wenn ich absteige. Ich komme auch einfach zweimal an. Kein Thema. Drei Brötchen und ein Espresso, bitte. Kommt sofort. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt? Dann essen Sie sie bitte schnell, bevor Sie Zugriff bekommen. Kring, krring. Ich habe dich immer noch fertig. Jetzt, und dann kommt die nächste. Ja, dann machen Sie das. Kling, kling. Ach, da kommt die nächste. Dann machen Sie das mal. Ja, dann machen Sie das mal. Und dann kommt die nächste. Kling, krling. Jetzt, und dann kommt die nächste. Das ist gerade die Konsistenz. Okay, also alles in allem, das Zusammenfügen ist, glaube ich, von der Konsistenz her das größte Problem. Da gibt es andere Optionen und Methoden, aber die sind jetzt eher so mittelmäßig gut. Ich würde sagen, dass wir hier, gerade so für die Informationen von davor, finde ich das nicht so stark. Also das fand ich eher so bei einer, also vier. Ich glaube, ich würde vier Punkte geben für das gesamte Zusammenfügen. Okay, lasst uns nach dem Stil vom Ölgemälde gucken. Das ist das letzte für Flux. Er fährt einfach mitten ins Gebäude rein. Er fährt einfach dreist mitten ins Gebäude rein, oder? Ja, da ist doch eigentlich Gebäude. Bro fährt einfach... Einfach mitten rein. Mit dem Fahrrad durch die Tür durch. Ja gut. Dann... Also das finde ich tatsächlich vom Stil her gar nicht so schlecht. Das finde ich gut. Abgesehen von dem Typen, der halt mit dem Fahrrad da einfach mitten rein fährt, würde ich sieben Punkte geben. Und Merz ist nicht generiert worden, gibt null Punkte. Dementsprechend sind wir hier bei einer Gesamtpunktzahl von, Achtung, von 74, was eine durchschnittliche Punktzahl von... Oder eine... Insgesamt gewertete Punktzahl von 5,286 macht. So, das war jetzt Flux. So, ich habe mir ein bisschen mehr Zeit gelassen hierfür. Aber wir legen jetzt direkt weiter mit dem nächsten nach. Und da werde ich mir dann auch ein bisschen zügiger machen. Beim zweiten Kandidaten ist die erste Überraschung, dass er eigentlich gar kein reines Videomodell sein will. Gemini Omni Flash ist Googles allgemeiner Multimodal-Generalist in diesem Test. Veo kommt dann später noch als eigenständiger Videospezialist. Das ist aber wichtig. Weil Google hier nicht nur einen Prompt in einen Clip verwandeln will. Gemini soll grundsätzlich Text, Bild, Audio und Video als einen gemeinsamen Kontext verstehen. Und daraus wiederum Video auch mit Ton erzeugen können. Die Veröffentlichung lag dabei fast direkt auf unserem Test. Google stellte Omni Flash am 19. Mai 26 als erstes Modell der neuen Omni-Familie vor. Ende Juni kam dann die öffentliche Preview und am 27. August erschien Gemini Omni 1.1 Flash als stabile Fassung. Und unsere Jobs liefen am 28. August. Die Familie ist Transformer-basiert und nativ multimodal. In der aktuellen 1.1 API passen 1 Million Tokens ungefähr in den Kontext. Video kann zwischen 3 und 10 Sekunden lang sein, nutzt 24 FPS und reicht laut Dokumentation von 360p bis 4k. Das Modell kann Ergebnisse im Gespräch bearbeiten, Clips verlängern und zwischen einem Start- und einem Endbild interpolieren. Das erklärt aber zumindest, warum ein allgemeines Gemini-Modell unbedingt in so einem Benchmark auftauchen sollte. Natürlich ist das Modell allerdings proprietär, dementsprechend habe ich keinerlei Angaben zu irgendwelchen Gewichten und auch keine Möglichkeit auf irgendwelche nicht gehosteten Produkte zuzugreifen und das selber bei mir auszuführen. Unser Lauf nutzt Bildreferenzen, aber keinen fest angepinnten ersten Frame. Deshalb wurde an den Übergängen auch kein Bild weggeschnitten. Angefordert waren wieder 8 Sekunden und nativer Ton, diesmal in 720p. Und genau das liegt auch in der Datei. Tatsächlich 1280x720p bei 24 Bildern pro Sekunde. Wie bei Flux kamen 12 von 13 Jobs zurück. Wieder wurde die Märzprobe mit dem Plattformstatus Not Safe for Work abgelehnt und auch wieder hier wurden von Higgsfield die 24 Credits erstattet. Und natürlich, wie immer, läuft das dann auch ein zweites Mal oder ein drittes Mal nicht. Die 13 Jobzeiten summierten sich auf gerade mal 12 Minuten und 13 Sekunden. Netto stehen für Gemini 288 Credits bzw. rechnerisch 16 US-Dollar im Protokoll. Alright, Gemini Omni Flash, das hier ist der One-Take. Stehen auf und wir schneiden, wenn wir rausgehen. Ich nehme mein Fahrrad, die hintere Szene hat gemorpht. Mein Fahrrad hat gerade gemorpht in die andere Richtung. Also ich nehme das und plötzlich... Steht es einfach andersrum. Scheint so ein Thing zu sein von Gemini, das gerne einfach so Schnitte macht. Mein Bild ist hier auch wieder auf dem... Was war das denn? Wow, okay, Moment. Die spawnt einfach, der Dackel ist da und sie spawnt einfach nach vorne, weil es sonst nicht reicht. Ui, okay. Glasbäckerei Müller, ich komme an. Der Top verschwindet einfach. Ich nehme das Fahrrad mit rein. Ich nehme das Fahrrad mit rein. Es sieht, finde ich, visuell schon fast ein bisschen besser aus. Drei Brötchen und einen Espresso, bitte. Kommt sofort. Ich habe meine Brötchen gespalten. Ich nehme jetzt mal Aufdruck auf mein T-Shirt. Sagen Sie mal... Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Hacker? Das sind doch nur Brötchen. Ich glaube, das hat es nicht ganz als Referenz verstanden. Oh, das war nicht schlecht, aber... Ah, das hat es auch nochmal gezeigt. Ui. Und da bin ich wieder und gehe raus. Okay. Auf der anderen Straßenseite war auch nochmal Bäckerei Müller. Also, es gab wieder einiges, was man da anpacken konnte. So, also ganz kurz, ich gucke mir gerade die Szenen jeweils einzeln an, damit ihr das nicht alles mitbekommen müsst, sozusagen. Damit ihr nicht ultralange dabei sein müsst. Aber, hier dieses Morphen. Das hier zum Beispiel. Ihr habt es gerade gesehen, vielleicht ganz kurz. Dass da Dinge einfach morphen. Achtet mal hier drauf. Da, diese Türe. Und jetzt auch der Blumentopf. Das ist innerhalb der Szenen drin. Also, das ist nicht irgendwie von mir oder sowas, sondern das ist wirklich die Szene, die da einfach was in sich morpht. Das ist allerdings richtig gewesen. Aber ihr habt gesehen, am Ende zeigt es nochmal ganz kurz mein Bild an. So das da quasi. Und deswegen ist es in der nächsten Szene schon vorne drin. Also, die können wir ignorieren. Das war einfach nur ein Editing-Fehler von meiner Seite, I guess. Aber jetzt kann ich es natürlich nicht nochmal einfach so aufnehmen, weil ich dann ja schon das Ergebnis sehe. Das heißt, ich kann nicht mehr richtig darauf reagieren. Das muss ja ein First-Take sein. Das macht die Sache ein bisschen schwieriger. Aber ja, ich schaue mir gerade so die einzelnen Sachen an. Und das sind wirklich viele Morphs, die passieren. Gebt mir noch kurz. Ich muss ganz kurz auch anmerken. Ich bin hier gerade bei der Szene, wo ich Brötchen kaufe. Und ich habe einfach das Fahrrad eben laden dabei. Und stehe einfach so, als würde ich gleich wieder weiterfahren. Also, ich stehe wirklich auf dem Fahrrad drauf. Und sie macht da die Brötchen da rein. Und achtet hier auch nochmal ganz kurz drauf. Beim ersten Mal hat sie das Brötchen dabei. Beim zweiten Mal hat sie einfach nur so nochmal reingegriffen in die Tüte. Und hat getan, als wäre es ein zweites Brötchen. Und dann hat sie das dritte Brötchen einfach in der Hand. Sie greift nirgendwo rein, sondern nimmt es einfach. Und dann ist es quasi da. Ja. Also, um das mal zusammenzufassen, was hier alles passiert ist. Ich glaube, man sieht das am allerbesten auch hier ran. Ich komme hier zurück und habe plötzlich diese... Moment, das war doch gar nicht hier das da. Hier. Ich glaube, an der Szene mit dem Kaffee erkennt man das am allerbesten. Die Flüssigkeiten sind beeindruckend. Sie nimmt das weg. Da tropft es noch weiter rein. Es sieht wirklich, wirklich stark aus. Da ist sogar noch so eine Spiegelung drin von irgendwas auf der Seite. Und es spiegelt sich dann auch hier drin. Also, es sieht wirklich stark aus. Auch das hier mit den Spiegelungen und allem sieht echt gut aus. Also, ich finde Omni von der Qualität her, von den visuellen Sachen, besser. Aber dann passiert halt so was. Ihr habt es gesehen, ne? Dass hier dieses Glas eigentlich am runterfallen ist und plötzlich ist es wieder oben. Also, es morft sich wieder nach oben, weil es sonst zeitlich wohl für das Modell halt nicht angepasst genug war. Und deswegen spiegelt es halt scheinbar runter. Und einmal ohne Teller dann. Also, sie hat ja noch diesen kleinen weißen Unterteller dabei gehabt. Der ist einfach verschwunden. Der ist hier mit runtergefallen und boom, weg. Und das ist nicht am Prompt. Also, das liegt nicht dazu. Also, das liegt nicht daran, wie ich das gepromptet habe, sondern das ist einfach verschwunden gewesen. Ich glaube, das fässt eigentlich das Verhalten von Omni für mich zusammen über die gesamte Szene. Und ich glaube, Highlight war für mich ungefähr hier an der Stelle wieder. Auch wie schon bei Flux. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Hacker? Das sind doch nur Brötchen. Dieses, hm. Das war schon sehr gut. Das war schon sehr, sehr gut auch tatsächlich. Und auch das Kneten hier, muss ich sagen, von den Händen ist es... Also, man erkennt eindeutig fünf Finger, offenbar. Und das läuft schon sehr gut. Und auch hier von der Flüssigkeit, die hier so reinläuft. Ich finde es interessant, dass das jetzt tatsächlich der Teil ist, der am besten funktioniert. Also, Flüssigkeiten, was ja eigentlich sauschwer ist. Gleichzeitig dann sowas wie die fünf Finger, was ja auch sehr gut funktioniert. Und das Lippen-Synchrone. Und gleichzeitig auch dieser Wortlaut von einer Bestellung. Ich will das noch mal ganz kurz zeigen, hier mit dem Lippen-Synchrone. Damit man das noch mal genau sehen kann. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Hacker? Das sind doch nur Brötchen. Das finde ich stark. Also, gerade das hatte ich eigentlich erwartet, dass es sehr viel schwerer ist. Während jetzt diese Konsistenz von der gesamten Welt das eindeutig schwerere scheint zu sein. Also, ich habe hier einmal die Lippen-Synchrone. Also, ich habe hier einmal die Szenen wie folgt bewertet. Fünf Punkte für die erste Szene, für die Studio auf die Straße und die Identität und so weiter. Weil das Fahrrad so schlimm gemorpht ist. Dann zwei, also ich gehe vielleicht noch mal ganz kurz durch mit euch. Dann gucken wir uns das einmal noch mal schnell an. So, die erste Szene hier habe ich fünf Punkte gegeben. Vor allem, also ich finde die sieht gut aus. Die Beleuchtung ist super, aber das Fahrrad hier hat ganz schlimm gemorpht. Und es war irgendwie einfach sehr unnatürlich. Da waren komische Artefakte. Genau. Die Szene hier habe ich auch mit fünf Punkten bewertet. Weil... Ach, das war zu schnell. Weil das hier passiert ist. Da war auch wieder ein heftiges Morphen an der Seite, das man eigentlich so nicht haben möchte. Das mit meinen Händen ist es wahrscheinlich, damit es wieder auf das Bild kommt. Das können wir ignorieren. Das lag, wie gesagt, an mir. Der Dackel hier ist auch einmal nach vorne gemorpht. Aber er läuft von links nach rechts. Das war richtig gemacht. Und ich weiche aus, ohne abzusteigen. Dann haben wir hier wieder das heftige Morphen direkt vor der Bäckerei. Die Bäckerei selber ist aber ganz in Ordnung. Jetzt muss ich einmal ganz gucken. Bei dem Dackel habe ich sieben Punkte gegeben. Bei dem Abbremsen auf die Bäckerei Müller, da wird der Text korrekt dargestellt. Und wir haben trotzdem ein bisschen Morphen. Deswegen habe ich hier aber trotzdem sechs Punkte gegeben. Weil der Text so gut dargestellt wurde. Also sinnvoll dargestellt wurde, wie ich fand. Dann haben wir hier einmal geöffnet. Das mit dem Geöffnet von außen nach innen zu gehen. Das habe ich auch mit sechs Punkten bewertet. Allerdings haben wir hier halt wieder eine völlig andere Türe, wenn man das vergleicht mit dem davor. Das ist nicht wirklich konsistent. Wir haben hier schon einen harten Unterschied. Weil hier geht es vor allem weiter in der Straße, während es hier eigentlich gerade ist. Also es hat hier quasi einfach einen Gang rein geeditet sozusagen. Das ist einfach eine andere Welt dann plötzlich. Auch die Tür war eine andere. Drei Brötchen und einen Espresso bitte. Kommt sofort. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Hacker? Deswegen die Szene davor mit den Brötchen geben, habe ich sieben Punkte gegeben. Diese Szene hier mit den Hackern, wo es wirklich um den Wortlaut, die Lippensynchronität und auch die freie Antwort geht und die Gesichter. Das sind doch nur Brötchen. Das können wir gerne überspringen. Dem Kneten habe ich auch neun Punkte gegeben, weil es mir hier um die Knetphysik ging. Und der Teig sieht wirklich sehr gut aus. Die Hände haben fünf Finger. Und den Kaffee, der hier raus fließt, den habe ich auch neun Punkte gegeben. Weil wir hier tatsächlich diesen Kaffee eben schön sehen können. Hier ist es nebendran gelaufen. Dem hier habe ich allerdings nur fünf Punkte gegeben, weil es so seltsam nach oben gemorpht ist und weil die Untertasse verschwunden ist. Und dem Gen wieder, dem habe ich auch fünf Punkte gegeben, weil wir wieder mal das Ding auf der gegenüberliegenden Seite hatten und es wieder nicht konsistent war. Ansonsten war das alles solide. Aber beim Zusammenfügen ist natürlich die Welt mehrfach kaputt. So, jetzt habe ich noch das Öl-Gemälde für euch. Und das fand ich tatsächlich hier auch ganz gut. Wobei, hier sieht man Becquerel. Das steht nicht Bäckerei Müller. Und hier haben wir irgendeinen Kauderwelsch. Und das ist offensichtlich irgendwie broken. Das könnte man natürlich easy fixen, wenn man das Bild generiert und dann reingibt. Klar, weil sich hier vor allem auch die Szene quasi nicht ändert. Aber das ist eigentlich auch nichts, was ich geben wollte. Oder was ich vorgeben wollte. Und vor allem, er fährt hier rein. Und das ist eigentlich auch nichts, was ich geben wollte. Aber das ist eigentlich auch nichts, was ich geben wollte. Oder was ich vorgeben wollte. Und vor allem, er fährt hier rein. Aber er fährt viel zu langsam, so dass er hier dreht. Also er würde quasi hier eigentlich umfallen. Und die Szene an sich bewegt sich halt gar nicht. Dementsprechend würde ich dem hier auch Ich würde eher 4 Punkte geben, glaube ich. Und für März gibt das Ganze hier auch wieder 0 Punkte. Weil es das gar nicht generiert hat. Weil es das gar nicht generiert hat. Wir sind damit bei 82 Punkten. Wir sind damit bei 82 Punkten. Oder genauer gesagt 5,857 Punkten. Oder genauer gesagt 5,857 Punkten. Also ein bisschen höher. Nämlich ungefähr 0,5 Punkte höher. Als das, was ich bei Flux 3 gedacht habe. Als das, was ich bei Flux 3 gedacht habe. Oder gesehen habe. Bei Kling steckt die Ungleichheit nicht im Veröffentlichungsdatum, sondern schon im Namen. Kling kommt von Kuai Shu. Also dem chinesischen Unternehmen hinter einer riesigen Kurzvideo- und Livestream-Plattform. hinter einer riesigen Kurzvideo- und Livestream-Plattform. Am 5. Februar 2026 hat Kuai Shu nicht einfach ein einzelnes Kling 3.0 veröffentlicht, sondern eine ganze Familie. Video 3.0 führt Kling 2.6 fort. Video 3.0 führt Kling 2.6 fort. Video 3.0 führt Kling 2.6 fort. Video 3.0 führt Kling 2.6 fort. Wenn irgendwo, also nur Kling 3.0 steht, Wenn irgendwo, also nur Kling 3.0 steht, müssen wir erstmal rausfinden, was quasi, welches 3.0 das eigentlich ist. was quasi, welches 3.0 das eigentlich ist. Aber gemeinsam ist ihn, was Kuai Shu ein Multimodal Visual Language Framework nennt. ein Multimodal Visual Language Framework nennt. Kurz MVL. Praktisch bedeutet das, Text, Standbilder, Video und Audio laufen in einer nativen multimodalen Architektur zusammen. laufen in einer nativen multimodalen Architektur zusammen. Bild-zu-Video, Referenzen und Bearbeitung Bild-zu-Video, Referenzen und Bearbeitung sind nicht über lauter getrennte Produktnamen verteilt. Video 3.0 kann zwischen 3 und 15 Sekunden erzeugen Video 3.0 kann zwischen 3 und 15 Sekunden erzeugen und Dialog direkt in 5 Sprachen ausgeben. und Dialog direkt in 5 Sprachen ausgeben. inklusive unterschiedlicher Dialekte und Akzente, zumindest theoretisch. inklusive unterschiedlicher Dialekte und Akzente, zumindest theoretisch. Zum Start dokumentierte Kuai Shu 720p und 1080p Zum Start dokumentierte Kuai Shu 720p und 1080p Später kam für die 3.0-Familie auch noch natives 4K dazu Später kam für die 3.0-Familie auch noch natives 4K dazu allerdings keine gefunden. Auch Kuaishu sagt nicht, wie groß ihre Modelle sind, also sie sind auch wieder proprietär und dementsprechend natürlich nicht herunterladbar. Und damit zurück zu unserem Test. Der fertige One-Take hatte tatsächlich erstmal 3048 x 2160 Pixel, also 4K und die Datei läuft mit 24 FPS. Und Kling hat als erstes Modell alle 13 Jobs geliefert, ohne einen abzulehnen, also der Märzstopp wurde hier auch das erste Mal geliefert. Grundsätzlich haben diese Jobs insgesamt 52 Minuten und 34 Sekunden gearbeitet und abgerechnet wurden netto 624 Credits, also beim dokumentierten Kurs wären das dann ungefähr 34,67 Dollar. So, wir machen weiter mit Kling 3. Das ist jetzt direkt der One-Take, den schauen wir uns einmal an und dann gebe ich euch die Bewertung. Ha Ha! Ja. Uff. HeHe. HeHe. HeHe HeHe. HeHe HeHe. funz Wunderbarrika. Drei Brötchen in ein Export-Suppchen. Kommt, jetzt wollt. Sagen Sie mal, Ihre Brötchen sind laut Wort nicht gegen Hacker geschützt. Hacker? Meine Brötchen, das ist ja absurd. Where is the fresh bread you ordered? Okay, also das war einmal der Ruhe gucken. Ich habe mir das mal angeschaut. Ich habe mir jetzt Gedanken darüber gemacht, habe die einzelnen Szenen mir angeguckt. Wir gehen, wie gesagt, ein bisschen schneller jetzt durch. Ich will euch ja auch nicht langweilen hier. Und offensichtlich hat das ganz andere Stärken. Das ist Kling 3. Das hat ganz, ganz andere Stärken als die anderen. Wie wir gesehen haben, hat die Schrift überhaupt nicht funktioniert. Das Bestellen von den Tonlagen oder von Deutsch her hat überhaupt nicht funktioniert. Ich glaube, es war einfach nicht auf deutscher Sprache trainiert. Man merkt, dass es eben aus zum Beispiel wahrscheinlich eher mit chinesischen und auch englischen Daten trainiert wurde. Aber... Dafür sind so Sachen wie Morphen, was wir bei Omniflash extrem hatten, nicht vorgekommen. Was ich beeindruckend finde. Lasst uns einmal ganz kurz gemeinsam reingucken. Dann sage ich euch jeweils zu der Szene, was ich meine. Also, hier sehen wir einmal, dass ich relativ konsistent bleibe. Der Stuhl hat sich allerdings verändert. Deswegen gibt es da auch vorordentlich Abzug. Ich weiß nicht, was die Bäckerei da schon macht. Das ist nämlich auch eine Bäckerei. Ich habe den Text hier noch nicht bewertet, der mit Nachhaltigkeit. Deswegen habe ich hier sechs Punkte gegeben. Dann fahre ich hier durch. Das sieht eigentlich alles soweit in Ordnung aus. Ich finde es spannend, dass hier jemand läuft. Hier hat sich allerdings mein Pullover gemorpht. Und da ist die Bäckerei draußen. Obwohl wir eigentlich die Bäckerei innen drin haben wollten. Alles in allem aber eine relativ konsistente Szene. Der Text ist natürlich kompletter Müll. Der ist nicht mal annähernd durch die Beschrift geöffnet. Schick ich auch völlig falsch. Das Öl ist nicht da. Ich schreibe es nur mit einem F. Ich schiebe meinen Pullover rein. Drei Brötchen und ein Exportsofchen. Hier haben wir einmal meinen Pullover, der komischerweise von der Person hinter mir getragen wird. Auf der Espressomaschine wird sonst was. Angezeigt, aber definitiv nicht das Richtige. Das Gesprochene hier ist auch kompletter Murks. Aber es sieht aus wie eine Bäckerei. Die Person ist relativ gut gezeichnet. Die hat ja kein Beispielbild bekommen. Es liegt Brot hintendran. Wir haben hier eine Espressomaschine. Und auch die Beleuchtung stimmt soweit. Der Schatten ist weit. Und das hat mich beeindruckt. Ein Brötchen, zwei Brötchen, drei Brötchen. Dass ich mir hier noch eins einfach mopse. Sagen Sie mal, ihr Brot. Das ist mal nebendran dahingestellt. Aber sie hat wirklich. Drei Brötchen stehen. Ich zeige das noch mal ganz kurz, wenn ich hier reinkomme. Dann steht hier auch schon so ein Korb. Drei Brötchen in ein Exportsofchen. Kommt jetzt weit. Ein Brötchen. Sie nimmt die wirklich in die Hand, steckt sie in die Tüte rein und mopst mir dann noch ein Brötchen mehr. Sagen Sie mal, ihr Brötchen sind laut Wort nicht gegen Hacker geschützt. Hacker? Meine Brötchen, das ist ja absurd. Und hier fand ich die Antwort gar nicht mal so schlecht. Das ist ja absurd. Das ist gar nicht so daneben. Es hat sich für mich ehrlich gesagt mehr wie niederländisch angehört. Aber absurd ist schon mal eine sinnvolle Antwort. Und Lippen Synchronität ist hier definitiv gegeben. Is the fresh bread you ordered? Das war dann englisch. Dann haben wir hier nochmal Bäckerei Müller, was komplett daneben gegangen ist. Dann haben wir hier Knete Bewegung mit dem Ton auf. Die sind relativ gut getroffen, würde ich behaupten. Dann haben wir hier die Kaffeemaschine, die hier einfüllt. Einmal ganz kurz, das müsst ihr nochmal sehen. Achtet direkt auf den Kaffee, wenn er startet, weil er fängt an. Drei. Da. Ich weiß nicht, ob hier überhaupt was reinkommt. Deswegen habe ich da ein paar Punkte abzugegeben. Dennoch muss man hier sagen, die Blasen hier drin finde ich ganz gut. Ist im Zweck. Und dann haben wir hier noch so ein kleines bisschen Überblasen und dann auch mein. Finde ich ganz gut. Hier ist kaputt gegangen. Es ist trotzdem noch zu wenig Flüssigkeit. Hier hat sich einmal alles geändert. Ich sehe anders aus. Mein Pullover sieht anders aus. Bäckerei Müller ist auch wieder kaputt. Aber alles in allem ist die Szene relativ konsistent in sich. So, dementsprechend. Es sind andere Gründe und andere Szenen. Bei denen ich niedrigere Punkte gegeben habe. Aber vor allem, dass wir hier keine Morphs haben wie bei Gemini Omni. Finde ich beeindruckend. Ich glaube, klingen fehlen vor allem die deutschen Trainingsdaten tatsächlich. Das merkt man, weil sowas wie Bäckerei, also diese Striche oder auch das Schreiben. Das hat nicht funktioniert. Auch die deutsche Sprache, dass die gesprochen wird, hat nicht funktioniert. Aber ich vermute, dass das am Deutschen liegt. Und genau deswegen teste ich ja sowas, weil wir das wissen wollen einfach. Was da passiert. Okay, dementsprechend habe ich jetzt Punkte vergeben. Ich werde das nachher im Fazit nochmal so zusammenschreiben, welche Punkte ich für welche Szene gegeben habe, aber insgesamt finde ich hier definitiv andere Dinge gut. Wir schauen uns jetzt einmal noch kurz die das Stil vom Öl Gemälde an und dann das erste Mal Friedrich Merz, weil das ist hier durchgegangen. So, das Öl Gemälde hier auch wieder kaputt. Aber vom Stil her sieht das für mich auch nicht aus wie ein Öl Gemälde. Sogar nicht. Das muss ich tatsächlich leider hier sagen. Das sieht nicht aus wie ein Öl Gemälde. Auf die nächste Szene bin ich aber echt gespannt, weil es die erste Friedrich Merz Probe ist, die wir hier haben. Und die wollen wir uns mal angucken. Es ist humoristisch gemeint, es ist Satire. Es meint das Ganze nicht böse, es meint es nicht super ernst und es ist tatsächlich definitiv safe for work. Also nicht irgendwie das, was hier behauptet wurde. Dementsprechend Ich aktiviere die Überstunden. Ich aktiviere die Überstunden. Ich aktiviere die Überstunden. Also der Text hat wieder kein Bild. Aber an sich ist es jetzt nicht so super dramatisch. Die Ähnlichkeit zu Friedrich Merz hingegen sehe ich gar nicht. Die Haare sind viel zu dicht. Also denen hat es nicht so gut getroffen. Die das Monster allerdings erst nach dem Ausspielen. Das ist eins meiner Kriterien gewesen. Also das soll quasi eine Yu-Gi-Oh! Karte sein, die hier ausgespielt wird. Es sieht für mich nicht nach einer Yu-Gi-Oh! Karte aus. Der Text ist gemorpht. Die werden anders gespielt. Die werden nicht so breit gespielt. Das sind eigentlich Hochkantkarten. Das Monster an sich kommt aber erst danach und das ist richtig. Allerdings weiß ich nicht, warum es einen Pömpel in der Hand hat. Es soll aus Aktenordnern bestehen und da ist eine Wecker. Das ist richtig. Und eine Kaffeetasse. Apropos hier. Cheers! Tee-Tasse für mich, weil Halsschmerzen und immer noch ein bisschen schupfen. Ich hoffe, man hört es. Nicht so sehr. Ich habe mir Fettnasenspray heute wieder gegönnt, wie die letzten. Ja, also alles in allem würde ich dem hier eine näher drei Punkte geben. Das mehr hat das nicht verdient. Das ist weit weg von Friedrich Merz. Definitiv spannend. Dann komme ich tatsächlich in meiner Wertung hier insgesamt für Klingen 3 auf 74 Gesamtpunkte bzw. auch hier wieder, wenn ich zwischen 1 und 10 rechne auf 5,2 und 8,6. Das ist exakt gleich viel wie Flux 3. Was aber auch natürlich daran liegt, dass andere Sachen stärker waren und wir hier eine Antwort bekommen haben. Also keine Ablehnung für die Merzprobe. Das ist aber auch tatsächlich eine Aussage an sich. Gut. Und damit kommen wir zu Minimax H3. Das ist der erste und zugleich einzige Kandidat, der lokal auf meiner 5090, also RTX 5090 lief und ja, dementsprechend ein Open Weight Modell, das sich einfach so darunter laden kann. Minimax gehört zu den frühen chinesischen Unternehmen rund um große Sprachmodelle und generative KI. H3 wurde am 31. Juli 2026 als allgemein multimodales Generationssystem vorgestellt. Es folgt theoretisch auf frühere Videomodelle von Minimax und zwar Hailuo 01 und Hailuo 02. Es tut mir leid, wenn ich das völlig falsch ausspreche. Aber laut Minimax basiert H3 auf einer völlig neuen Architektur. Zwei Base Checkpoints kann man tatsächlich inzwischen runterladen und bei sich dann ausführen. Allerdings muss man hier aufhören, so ein bisschen das alles als ein System zu verstehen. Denn eigentlich hat das ganze System drei Stufen. H3 Context IR nimmt Text, Bild, Video und Audio auseinander und strukturiert dann einen Kontext. H3 Base erzeugt daraus ein Video mit Stereoton aus diesem Kontext quasi. Standardmäßig hat das 768 Pixel an der kurzen Bildseite und H3 Regenerate 2 K schickt das Ergebnis dann nochmal zusammen mit dem ursprünglichen Kontext durch das Basismodell durch, um daraus die 2K-Fassung zu bauen. Öffentlich kann ich allerdings aktuell nur die beiden Base-Varianten, also FL2VA und REV2VA runterladen. Context IR bleibt ein gehosteter Dienst und für Regenerate 2K gibt es noch keine öffentlichen Gewichte. So, jetzt zu den berühmten 33 Milliarden Parameter, die dieses Videomodell haben soll. Die Zahl gehört eigentlich nur zum dichten H3 Omnitransformer, nicht zum gesamten System. Rund 13 Milliarden davon sitzen in Ader-LN-Zweigen. Deren Ausgaben lassen sich aber tatsächlich für die reine Inferenz vorab einmal berechnen und cachen. Und danach, was super ist, müssen diese Gewichte nicht mehr beim Generieren geladen sein. Das heißt, man muss sie nicht in der Grafikkarte und im RAM bzw. VRAM aktiv halten, sondern kann sie quasi woanders hinschieben. Zusätzlich verwendet aber der Encoder noch das vollständige Qen3 VL mit 32 Milliarden Parametern. Deswegen ist die Rechnung 33 minus 13 nicht einfach so 20, sondern grundsätzlich sind da halt noch irgendwie andere Modelle dabei, die auch aktiv sein müssen. Es ist halt nicht einfach nur ein Videomodell, das dann einfach läuft und dann fertig. Und wir wissen tatsächlich gar nicht mal so genau, wie viele Milliarden oder auch nicht Milliarden da aktiv gebraucht werden, während das System läuft. Das kann ich nicht sagen. Das kann ich gar nicht mal so genau sagen. Das steht da einfach nicht so richtig. Und außerdem ist diese Sache mit den Lizenzen auch noch so ein Thema bei Minimax H3, denn theoretisch schließt der Geltungsbereich erstmal die EU, Großbritannien, Südkorea und die USA einfach aus. Und für manche Sachen braucht man hier dann tatsächlich einen formalen Lizenzantrag. Ich habe jetzt meins hier mal als journalistische Tätigkeit gewichtet. Deswegen habe ich jetzt mich einfach mal darauf berufen, dass ich das hier testen darf. Und selbst mit den Gewichten lief bei mir nicht einfach der unangetastete BF16 Checkpoint. Für die 5090 habe ich nämlich einen optimierten FL2VA Build verwendet. Die FL2VA Gewichte waren gepruhnt und auf INT8 reduziert, also mit weniger Genauigkeit quasi runtergebrochen und der Qend3 Encoder lief auch quantisiert mit 4 Bit, damit ich das bei mir laufen lassen konnte. Aber ich wollte das unbedingt für euch mal testen, was man quasi auf der eigenen Hardware auch machen kann. Das ist aber trotzdem nur die Base-Variante für Text und einen ersten sowie optionalen letzten Frame. Nicht die vollständige gehostete H3 Pipeline. In unserer Kette bekamen sie jeweils nur das feste Standbild als Eingabe. Generiert wurden 1344 mal 768 Pixel und zwar mit 192 Frames, also 24 Bilder pro Sekunde, 20 Schritte und Ton. Das sind 8 Sekunden pro Clip. Alle 13 Jobs liefen auch hier komplett problemlos durch. Nix von wegen Modell lehnt ab. Nimmt man die vollständige lokale Ausführungsfenster samt aller beobachteten Lücken und Probleme und was weiß ich was alles, dann komme ich bei dem Lauf hier auf drei Stunden, sieben Minuten und zwei Sekunden. Allerdings ist es natürlich ein bisschen anders, wenn das bei mir auf der Grafikkarte läuft und meine Grafikkarte ist jetzt nicht gerade eine Server Zentrums Grafikkarte. Für den Preis tun wir jetzt mal nicht so, als hätten wir irgendwie eine API Steckdose. Ich versuche jetzt hier mal meine GPU Energiepreise aufzurechnen und das sind nehmen wir einfach mal an 100 Prozent Auslastung. Das war so ziemlich das, was ich beobachten konnte. Dann zieht die Grafikkarte 575 Watt ganz grob und das über die gesamte Laufzeit. Das ist natürlich gerundet und das ergibt aber trotzdem rund 1,79 Kilowattstunden und bei 30 Cent pro Kilowattstunde sind das 54 Cent für den gesamten Test. Das ist sehr viel wenig, aber trotzdem noch beeindruckend, wenn man bedenkt, dass ich mir die Grafikkarte ja auch kaufen musste und dabei fehlen selbstverständlich CPU, Mainboard, Kühlung, Netzteilverluste und Monitore und so weiter und so fort. Die lassen sich nicht individuell berechnen dabei. Die 54 Cent sind also eine Art Schätzung meinerseits. Und damit kommen wir zu Minimax H3. Das ist ein besonderes Modell, weil wie gesagt, es läuft auf meiner Grafikkarte, das heißt, diese Videos hier wurden von meiner Grafikkarte, einer Nvidia RTX 5090 und ich mache keine Werbung für Nvidia. Damit ist es einfach eingebaut in meinem Rechner an die Leute, die mir das die ganze Zeit kommentieren. Ihr fragt mich entweder, welche Hardware ich habe oder warum ich Werbung für Nvidia mache. Ich muss euch sagen, welche Hardware ich habe, ohne Werbung machen zu können. Das hier ist alles bei mir auf der 5090 gebaut worden mit Minimax H3 in einem lokalen Comfy UI Workflow. Allerdings habe ich den Workflow auch gleichermaßen behandelt wie in den anderen Benchmarks auch. Gut, ja, lasst uns einfach mal reingehen. Ich zeige es euch wieder mal vorher überall, da ist das eben wie bei den anderen auch ein Video dabei und Ton dabei, sorry. Und dann bewerte ich das Ganze und sage euch, warum. Oh, okay. Da ist es an, das Covidnehmer konnte zum Angreifen der stehenden Reuska, die ich überbleiten wollte, weil sich ja letztes Mal hatte ich so eigentlich ein Besmaran im S4. Nein. Okay. Oh, das ist zu viel. Drei Brötchen und eine Espresso, bitte. Kommt sofort. Espresso, bitte. Oh Gott, das ist so wild. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Halt die Da-heit. Halt die Da-heit. Halt die Da-heit. Das sehe ich genauso. Die Tüte lasse ich weg. Hey. Oh, wow. , okay, das ist, das ist Comedy. Oh Gott, das ist wirklich Comedy. Was für ein Shit. Okay, ich versuche das mal zu bewerten. Okay, das war ein Fiebertraum. Ich habe mich wieder versucht, ein bisschen zu beruhigen. Okay, also. Ich habe es ein bisschen leiser gestellt, damit ihr mich auch hört, damit man nicht die ganze Zeit das geredig gehört. Also das ist natürlich schon mal gar nicht konsistent. Und ich bin einfach verschwunden. Dann habe ich hier einmal einen Dialog im Hintergrund, als würde irgendeine Dokumentation laufen. Dann fahre ich mit dem Fahrrad, also es hört sich irgendwie bayerisch für mich an. Dann fahre ich hier in die Bäckerei Müller rein und wirbel dann einmal da drin rum, wobei die Bäckerei auch irgendwie offen ist. Und dann weiche ich dem Dackel aus, was gar nicht so schlecht funktioniert hat. Das ist einigermaßen konsistent. Mein Pullover sieht auch noch ungefähr so aus, wie er aussehen sollte. Dann halte ich an, dann haben wir hier schon wieder eine Bäckerei, dann haben wir hier oben ganz komische Sachen stehen. Der Text hier oben ist allerdings korrekt. Wir haben Brötchen hier und alles. Wir haben hier einen Teig liegen. Warum auch immer. Wir haben da hinten irgendeinen riesen Automaten. Wir haben hier noch einen Automaten. Sie steht einfach angewurzelt da und hier vorne ist Brötchen. So, also das sind so die Sachen, auf die ich besonders geachtet habe. Ich habe ja immer so meinen Fokus gehabt. Also dass hier vor allem auch dieses Bäckerei Müller konsistent bleibt. Dann steht hier geöffnet tatsächlich da. Es sind beide F da. Da habe ich extra noch mal reingeguckt. Ich habe irgendwie wieder richtig viele Kilo zugenommen. Ich weiß nicht genau, was wir, was wir da gepromptet haben. Also offensichtlich chinesische KIs denken, dass ich fetter bin, als ich eigentlich bin, glaube ich. Oder sollte ich mal wieder abnehmen? Ich glaube, ich sollte mal wieder abnehmen. Ist egal. Auf jeden Fall bin ich da dann reingegangen und sie steht einfach immer noch genau gleich da und dann dreht sich einfach. Und dann bin ich wieder draußen. Achtet mal drauf. Ich gehe hier gerade durch die Türe durch. Nach innen eigentlich. Und plötzlich stehe ich wieder drauf. Wartet kurz. Drei Brötchen und Nespresso bitte. Kommt sofort. Und der Espresso haut mich immer noch um. Ich finde es einfach super, super lustig. Drei Brötchen und Nespresso bitte. Drei Brötchen und Nespresso bitte. Kommt sofort. Kommt sofort, finde ich auch gut. Achtet auf die Brötchen hier. Ein Brötchen. Aber das ist gemorft. Also am Anfang hat sie da so kleinere Brötchen drin liegen und plötzlich morfen drei Stück zu einem und dann nimmt sie von oben noch eins, das irgendwie länger wird und dann werden aus dem einen da zwei. Und dann spawnen hier auch tatsächlich Henkel da dran. Deswegen da habe ich auch ordentlich Punktabzug gegeben. Brötchen sind überhaupt nicht gegen Hacker geschützt. Das fand ich beeindruckend, dass es die deutsche Sprache so gut hinbekommen hat. Da war ich ehrlich. Ich bin überrascht, weil das ist halt auch ein kleineres Modell als Kling eigentlich bzw. ein lokales Modell. Und sie antwortet dann aber mit irgendwas, was ich nicht verstanden habe und achtet auch hier auf das, was da steht oder auch da hinten steht. Oder auch mein Pullover. Das hat sich mittlerweile alles verändert. Haltschuss da halt. Haltschuss da halt. Und dann grinsen wir beide und ich gehe einfach weg und gehe zum nächsten Stand, wo dann was gemacht wird hier. Das hat sich auch irgendwie komplett gemorft. Die Physik von Morphen von den Kneten fand ich aber gar nicht. So schlecht. Dann steht hier wieder irgendwas. Oben steht immer noch schön brav Bäckerei Müller. Aber das hier hat es halt einfach. Also wenn man es genau angibt scheinbar, dann funktioniert der Text. Aber so funktioniert er halt tatsächlich nicht. Dann haben wir die Spresso Spressoszene. Da läuft dann der Spresso gleich raus. Da bin ich einfach da vorbeigefahren. Das hat tatsächlich ganz gut funktioniert. Da war einfach nur der Ton abgehackt, weil der kennt den Ton von davor quasi nicht. Das kann H3 nicht. Da ist mein Pullover irgendwie außer Rand und Band geraten. Da hat sich dann natürlich auch wieder die Bäckerei Müller verändert. Und oben steht wieder was anderes. Die Verkäuferin ist wieder eine andere und jetzt lässt sie gleich fallen. Das sieht gar nicht mal so schlecht aus. Plopp, fällt runter, ist bisschen langsam gewesen und die Scherben sind nicht fein genug, aber es ist relativ viel Kaffee. Achtet mal da drauf. Da war auch noch was cooles. Das ist tatsächlich hier sogar hochgespritzt sozusagen. Das finde ich cool, weil das hatte ich nicht erwartet, dass sich hier die Flüssigkeiten so einigermaßen logisch verhalten. Ich finde spannend, was tatsächlich hier weniger Problem geworden ist und was noch das größere Problem ist. Also es erinnert mich sehr viel hier dran tatsächlich an die Bild KIs, die frühen Bild KIs, aber kommen wir gleich dazu. Genau. Jetzt steht unten Bäckerei Müller und ich nehme das Ding, gehe einmal durch den Laden durch und dann komme ich einfach auf dem Fahrrad wieder rüber. Also ja, alles in allem ein ziemlicher Fiebertraum. Aber es funktioniert lustigerweise auch wie hier wieder andere Sachen gut und nicht so gut. Also ich habe hier an einer Stelle sogar mehr Punkte gegeben, an mehreren Stellen sogar mehr Punkte gegeben als bei Klingen, aber dafür auch an anderen Stellen wieder ordentlich Punkt abgegeben, natürlich. Jetzt schauen wir uns noch mal ganz kurz hier die das Ölgemälde an, ob das nach Ölgemälde aussieht. Nee, nicht wirklich. Das sieht einfach nur nach einem alten Shot aus, aber es sieht nach Realismus aus, nicht nach Ölgemälde. Auch hier steht wieder Quatsch dran. Das ist auch wieder sehr ähnlich wie bei Klingen. Auch das funktioniert hier wenig. Und dann schauen wir uns einmal hier noch den Märztake an. Das hat nämlich hier auch nicht abgelehnt. Die Märztrobe hier. Ich aktiviere die Überstunden- Oh, Moment. Wow. Okay, das ist beeindruckend. Nochmal. Also da liegen schon Überstunden drin. Ihr seht, das sieht aber ein bisschen mehr nach Yu-Gi-Oh! hier aus jetzt mittlerweile. Okay. Da unten steht drauf Ich aktiviere die Überstunden, aber halt natürlich auch relativ kaputter Text und das ist alles sehr, sehr kaputt hier, aber Überstunden steht hier korrekt dran und das Monster sieht auch einigermaßen gut aus. Da würde ich tatsächlich viel mehr Punkte geben als bei Klingen. Auch hier hat das Ding wieder so einen seltsamen, wobei das sieht mehr dann aus. Aktenkoffer, genau. Und jetzt ist er hier irgendwie nochmal gespawnt. Wie sieht ein März da vorne aus? Er hat zu viele Haare. Ja, er hat immer noch sehr viel zu viele Haare. Aber ansonsten ist es ein bisschen näher dran an dem, wie ich mir März vorstelle. Also ich würde hier mehr Punkte geben als bei Klingen. Hier wäre ich bei, glaube ich, 5. Bei Klingen war ich hier bei 3. Gut, lasst mich rechnen. Allright, also wir sind bei insgesamt 66 Punkten. Das bedeutet 4,714 Punkten im Durchschnitt. Das ist bislang das schwächste Modell, aber es läuft halt auf der Grafika. Das finde ich trotzdem schon beeindruckend, dass das bei mir einfach zu Hause lokal läuft. Gut. Nach dem Architektur-Rabbit-Hole von Minimax ist Seadance eigentlich fast schon das genaue Gegenstück. ByteDance erklärt ziemlich genau, was man dem Modell alles hinlegen darf, aber eigentlich gar nicht, wie es innen drin aussieht. Seadance 2.5 hat einen immensen Hype auf Social Media bekommen und stammt vom Seed-Team von ByteDance. Es erschien am 31. Juli 2026 und entwickelte die gemeinsame Audio- und Video-Architektur von Seadance 2.0 weiter, das damals schon seinen eigenen Hype hatte. Bild und Ton werden zusammen erzeugt. Referenzen und spätere Bearbeitung gehören aber von Anfang an auch zur Modellidee. Und bei Referenzen meint ByteDance nicht zwei hübsche Beispielbilder. Eine einzige Anfrage kann bis zu 30 Sekunden für zehn Videoclips und zehn Audioclips enthalten, also wenn ich was hinschicke zum Generieren und daraus kann dann Seadance bis zu 30 Sekunden Video mit Ton in einem Durchlauf bauen, ein vorhandenes Ergebnis weiterführen und auch einzelne Zeitbereiche über Zeitstempel bearbeiten. Das ist also eher eine komplette Suite an allem, was ich einmal brauche. Deswegen, ich habe trotzdem versucht, das hier vergleichbar zu halten. Aber es kann einfach völlig andere Dinge. Das ist einfach was anderes. An der Stelle, an der es aber um das eigentliche Modell geht, da wird dann die Dokumentation wieder ein bisschen dünner. Weil natürlich auch hier ist alles proprietär, es gibt keine Parameter, die veröffentlicht wurden und keine Grenzen für Ausgabe, Auflösung, Bildrate, all das wird mir gar nicht mal genannt. Zum Start war Seadance über GMeng und Doubao verfügbar. Die BytePlus Schnittstelle war zu diesem Zeitpunkt aber erst angekündigt. Ich habe, damit der Test einigermaßen vergleichbar wird, auch hier wieder 8 Sekunden angefordert pro Clip, Ton und Video natürlich und 1080p und geliefert wurden auch 1080p mit 24 FPS und auch hier alle 13 Jobs kamen zurück. Also keine Ablehnung dabei und insgesamt dauerte das 54 Minuten und 21 Sekunden. Der Lauf kostete netto 936 Credits, also rechnerisch ungefähr 52 US-Dollar. So, und dann sind wir bei Seadance 2.5. Das ist aktuell das, was viele als das Flaggschiff bezeichnen. Ich will mir das wirklich ein bisschen im Detail angucken. Ich gebe euch dann auch wieder die Kurzfassung. Aber ja, lasst uns mal erst mal den One-Take angucken und dann bewerte ich den. Okay. Ich bin sehr stoisch hier. Aber hält nicht sehr konsistent. Ich drehe hier einfach mal in Runden. Das war gut gelöst. Geöffnen. Drei Brötchen und ein Espresso bitte. Kommt sofort. Ich sehe sehr konsistent aus. Das sieht wirklich aus wie... Ich weiß, ich wollte durchlaufen. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker-Geschütz. Wie bitte? Hacker? Meine Brötchen? Wo ist denn die hergekommen? Wie eine Katze. Ey, ich sehe wirklich aus wie ich... Holy shit. Hä? Ich sehe einfach durchgängig aus wie ich. Holy moly. Okay, lasst mich mal kurz evaluieren. Okay, also das war ein sehr, sehr beeindruckender Clip. Ich finde vor allem beeindruckend, wie unfassbar konsistent ich bin und wie clever manche Dinge gelöst wurden. Achtet genau auf meinen Pullover. Der ist doch wichtig hier. Dieses, dieses Kreisdingens da. Das finden wir fast überall durchgängig. Der Stuhl ist hier sehr konsistent gehalten worden. Ich bin hier raus gespawnt. Ja, das musste man aber irgendwie lösen, weil ich ja nicht draußen sein kann. Deswegen ist es eigentlich logischer, wenn man so einen kleinen flüssigen Übergang macht. Und ich wollte explizit einen One-Take haben. Das heißt keinen Schnitt. Deswegen finde ich das eigentlich eine clevere Lösung hier. Ich gehe zum Fahrrad. Ich fasse dann das Fahrrad an und steige tatsächlich auf. Ich habe immer noch den korrekten, das korrekte Gesicht und alles. Meine Brille sitzt noch richtig. Mein Pullover ist noch richtig. Meine Hände sind noch richtig. Ich fahre dann rum und dadurch, dass ich ja theoretisch schon zur Bäckerei Müller gehen muss, fahre ich einmal im Kreis, fahre da vorne hin, komme dann irgendwann wieder woanders raus. Und da ist dann dieser Dackel, der von links nach rechts läuft, was auch richtig ist. Ich weiche allerdings auf die falsche Seite aus. Ich habe gepromptet, dass ich rechts drüber ausweiche, mache dann hier einen Dreher, dass wir zur Bäckerei kommen, halte ich hier an und es ist auch alles soweit korrekt gelöst. Also hier ist auch immer noch alles außen. Auch die die Person, die da vorbeiläuft, habe ich genau so hingeschrieben. Dann habe ich hier einen kleinen Patz. Also die Bäckerei Müller sieht ja auch wahnsinnig gut aus. Das sieht sehr akkurat aus. Ist auch konsistent geblieben über die über die Schotts. Hier steht geöffnen. Hier im Schaufenster hat sich, glaube ich, auch ein bisschen was geändert. Genau das hier war davor nicht da. Wir gehen hier hoch und dann gehen wir nach unten. Dann liegt hier plötzlich Brot. Das war davor auch nichts. Deswegen habe ich da ein bisschen was abgezogen. Das hier kann man nicht lesen. Das ist ein weirder, keine Ahnung, was für ein Schild es sein soll. Also da steht ja einfach nichts. Ich glaube, dass das Espresso stehen könnte, aber es ist eh so verschwommen. Da liegen hier unten natürlich nur Croissants und hinten liegen riesige Brotleibe, die einfach so groß sind wie mein gesamter Arsch ungefähr. Drei Brötchen und... Aber trotzdem muss man auch sagen, schaut mal, wie ich hier aussehe. Also ich sehe, finde ich hier immer noch abartig konsistent aus. Das ist wirklich, wirklich beeindruckend. Es ist alles exakt gleich entstanden, by the way. Trotzdem liegen hier natürlich nur Croissants. Das ist ein bisschen weird. Drei Brötchen und ein Espresso, bitte. Kommt sofort. Und auch hier finde ich die Gesichtsausdrücke und die Lippen-Synchronität. Schaut da noch mal gerne zu. Drei Brötchen und ein Espresso, bitte. Kommt sofort. Und dann fängt sie an, nimmt eins, es morpht nicht oder sowas. Und zweites macht es auch richtig in die Tüte rein. Und die Tüte bewegt sich auch korrekt. Das muss man auch dazu sagen. Hier. Sie hat kein drittes reingetan. Entweder wurde ich betrogen und gescampt oder sie hat tatsächlich eins zu wenig reingetan. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker-Geschutz. Wie bitte? Ihr Gesichtsausdruck? Meine Brötchen? Genau, ihr Gesichtsausdruck, ihre Antwort passt eigentlich sehr gut. Ehrlich gesagt würde ich das von einem Bäcker erwarten. So, hä, was hat das jetzt damit zu tun? Dazu passt der Gesichtsausdruck wirklich perfekt. Und ich sehe auch, also so sehen halt meine Geheimratsecken aus. Das ist exakt meine Geheimratsecke. Ich glaube, dieses Modell wurde auf mir trainiert. Ich sage es, wie es ist. Der Pullover passt perfekt. Der Hoodie sitzt auch immer noch. Die Croissants bleiben genau da liegen. Die zwei freien Plätze hier von den Croissants bleiben auch. Die Tüte ist genau gleich geblieben. Und ihr Gesichtsausdruck und die Lippen-Synchronität ist wirklich stark gewesen. Jetzt ist da plötzlich noch eine andere Person gespawnt, die genau gleich aussieht und den Teig knetet. Aber hier will ich einmal ganz kurz. Achtet mal darauf, was, was hier geknetet wird. Also wie sich auch das Mehl außenrum bewegt. Hier, da kommt jetzt gleich eine Hand nach vorne und schiebt das Mehl so ein bisschen weg und hier vorne auch da an den Seiten, da wo jetzt noch Mehl liegt, wo so ein bisschen mehr Mehl liegt, boom, verschoben und zwar ziemlich genau da, wo die Hände sind. Das wollte ich damit eigentlich erreichen und testen. Das hat mich ehrlich gesagt auch sehr beeindruckt. Dann haben wir hier plötzlich eine gespawnte Kaffee-Maschine. Ich stehe da hinten wieder am Fahrrad, was irgendwie ein bisschen weird ist. Und hier haben wir einmal Bäckerie bzw. Bäckerie Müller. Das heißt, das hat es nicht richtig. übernommen, aber hier ist der Fokus auch klar auf dem Kaffee gewesen. Das ist hier reingetropft und dann haben wir so diese Blubberblasen gehabt. Das sieht auch sehr gut aus. Allerdings. Genau das ist, glaube ich, sogar ziemlich genau dieselbe Maschine gewesen. Allerdings haben wir hier einen kleinen, wobei es muss nicht mal sein, es kann auch einfach die Kamera sein, aber ich habe das Gefühl gehabt, das hier wurde rau, während es im ursprünglichen Ding hier glatt war, also quasi so reflektierend war. Es sind wirklich so Kleinigkeiten hier genau. Hier sieht man es, wie es reflektiert an der Maschine. Wenn ich jetzt hier so näher rangehe, dann sieht man gleich. Hier ist es rau geworden. Aber das kann auch die Maschine gewesen sein. Das ist mir nur aufgefallen. Dann nimmt sie das und wirft es runter. Und das sieht nicht mal irgendwie bescheuert aus. Und sie macht auch den richtigen Gesichtsausdruck. Und ich mache auch den. Oh, ich bin erschrocken. Gesichtsausdruck. Und ich sehe immer noch aus wie ich. Das ist komplett wild. Sogar mein Pullover ist noch fast derselbe. Hier haben wir wieder mal denselben Fall. Wie bei den anderen. Die Untertasse ist nicht mit zerbrochen. Die ist einfach weg, die weiße Untertasse. Der Rest sieht relativ glaubwürdig aus, würde ich behaupten. Und ich stehe jetzt einfach da drüben. Also ich bin halt einfach hier rüber. Und das kann aber durchaus wegen dem One-Take sein, dass ich das so gepromptet habe. Ist okay, kann man so machen. Ist nämlich die Tüte. Ich grinse einmal in die Kamera. Ich finde den Grinser super. Schau mal, wie ich in die Kamera grinse. Hey, ich habe zwei Croissants bekommen, obwohl ich eigentlich zwei, drei Brötchen wollte. Und ich gehe raus. Mein Fahrrad steht jetzt da plötzlich. Das ist auch auf die andere Seite geworfen worden und auf der anderen Seite. Hat man ganz kurz noch gesehen. Auf der anderen Seite steht hier Bäckerie und dann M-R. Und hier unten steht Müller, also mit Doppel-E und Doppel-R. Und das oben dran weiß ich nicht genau, was das ist. Aber alles in allem. Also ich habe die Hausnummer sogar bekommen. Also alles in allem. Und ich finde es schön, dass hier diese Pfähle vollgeklebt sind. Alles in allem wirklich, wirklich stark. Also das hat mich richtig beeindruckt. Also ich meine, ich habe jetzt hier wahrscheinlich ein bisschen zu hoch die Punkte vergeben. Vielleicht gehe ich irgendwann über zehn raus. Aber das ist schon sehr, sehr stark. Das ist mit Abstand mein Favorit bislang. Und ja, das kann man definitiv so sagen. So fehlt uns noch das Öl-Gemälde. Mal gucken. Das sieht aus wie ein Öl-Gemälde. Bäckerei Müller kann man gut sehen. Das war nicht ich. Also ich habe hier ohne. Ich habe nur Text zu Video gepromptet. Das war nicht ich tatsächlich. Das ist gut gewesen. Aber das bleibt doch konsistent. Jetzt will ich ihn noch mal ein bisschen genauer sehen. Warum auch immer da sich nach der Ton ein bisschen Wasser von sich gegeben hat. Aber das würde ich auch sagen, ist eine 8. Das ist schon stark, wirklich. So, jetzt bin ich auf die Mehrheitsprobe gespannt. Das ist. Ich aktiviere die Überstunden. Okay, das ist cool. Ja, der Hammer ist da. Bei den anderen haben wir nicht geschafft. Also das ist auf jeden Fall nicht ganz Friedrich Merz. Der hat immer noch zu wenig Haare, zu viel Haare hier. Aber eine Sache auch. Die Überstunden schreiben sich nicht mit DT. Und die Karte sieht noch nicht aus wie eine Yu-Gi-Oh-Karte. Aber dass daraus dann so ein Monster erwächst aus Aktenkoffern. Hier so ein Instant-Kaffee und dann der krasse Hammer hier. Die Uhr, der Knopf. Finde ich stark. Würde ich definitiv 7 Punkte geben. Das ist schon ein wirklich, wirklich gutes Modell. Also sehr, sehr akkurat an dem, was man schreibt. Wow. So, wenn ich mich jetzt nicht verrechnet habe, dann habe ich dem Ganzen hier 108 Punkte gegeben, zusammengerechnet und dann sind wir bei 7,71 im Durchschnitt. So viel besser fand ich das als die anderen bislang. Das ist schon beeindruckend. Ich hoffe wirklich, dass Seadance noch irgendwann mal Openweight wird. Das wäre so cool. Aber leider sieht es aktuell überhaupt nicht danach aus, also ByteDance ist jetzt da nicht so auf Open Source drauf, aber trotzdem wirklich, wirklich beeindruckend. Und damit sind wir ein zweites Mal bei Google, um genau zu sein bei WO3.1 von Google Gemini, das ist deren Video-Spezialist. Die Version wurde am 15. Oktober 2025 innerhalb der WO3-Familie vorgestellt und im Januar dann um neue Referenz, Hochformate, Upscaling-Funktionen und so weiter erweitert. Für die technische Einordnung können wir aber trotzdem die WO3-Modellkarte nutzen, denn Google sagt ausdrücklich, dass das auch für die nachfolgenden Versionen bleibt. Die Grundidee von WO lässt sich ganz gut ohne Formeln erklären. Autoencoder pressen erst mal Video und Ton zunächst in kleinere Repräsentationen und dann arbeitet dort ein Transformer eben nicht nur an getrennt stummen Bildstrom und dann später an Ton, sondern entrauscht zeitliche Audio-Latence und räumlich zeitliche Video-Latence gemeinsam. Bild und Ton entstehen damit innerhalb des selben Diffusionsprozesses. WO3.1 erzeugt vier, sechs oder acht Sekunden bei 24 Bildern pro Sekunde. Es kann mit einem Start- und einem Endbild arbeiten und bis zu drei Stil- oder Inhaltsreferenzen aufnehmen und bereits erzeugte VO-Clips verlängern. Bei acht Sekunden stehen 720p, 1080p und sogar 4K zur Verfügung. Die 4K-Ausgabe beschreibt Google aber ausdrücklich als Upscaling. Zur Größe schweigt auch Google DeepMind leider. Das ist also nach wie vor ein proprietäres Modell und dementsprechend haben wir keine Gewichte. Ich habe natürlich pro Kettenteil wieder ein festes Start-Bild vorgegeben und gleichzeitig sollten acht Sekunden jeweils mit nativen Ton geliefert werden. Und die fertige Datei hatte tatsächlich 4K-Output und eine Bildrate von 24 FPS. Alle 13 Jobs wurden auch bei Google geliefert. Es wurde nichts abgelehnt und insgesamt lief das Ganze eine Stunde, 30 Minuten und 14 Sekunden. Dafür stehen dann 1133,6 Credits, beziehungsweise rechnerisch als 62,98 Dollar im Protokoll. Mal sehen, ob das noch getoppt werden kann von einem verhältnismäßig alten Modell, nämlich VO 3.1. Das ist auch von Google. Das ist Googles reines Videomodell, wie wir schon gehört haben. Und Omni Flash war das nicht ganz reine Videomodell. Fangen wir auch wieder vorne mit dem One-Take an. Realistischer Look mit mehr Abendbeleuchtung. Mein Pullover hat sich schon gemurft. Kein M mehr. Und jetzt habe ich es hinten drauf. Und dann ist die Bäckerei gespawnt. Google hat Probleme mit Morphing. Ja, extrem sogar. Ja, ja, ja, ja, ja. Wie sie alle Bäckereien Müller heißen, Mensch. Ich weiß gar nicht, wie das funktioniert. Bei Seedance hat es auch geklappt. Oh, ich gehe von innen nach außen. Guten Morgen. Ich hätte gerne ein Brötchen, bitte. Natürlich, gleich für Sie. Ein Brötchen und ein Espresso, bitte. Ah, kommt sofort. Sind diese Brötchen heute Morgen extra knusprig, weil Sie an mich gedacht haben? Ach, Unsinn. Die sind immer so gut. Aber schön, dass Sie das bemerken. Wie bekommen Sie das Brot so luftig? Das Geheimnis liegt im Kneten. Schauen Sie mal. Wo kommt denn der Dialog her? Hä? Ooowas, wie schön! Was hast du denn jetzt gesagt? Hm, bin der完全 nicht kl肉ter? In der Leidenschaft auf. Ho. Ich glaube, ich hab Frau отliefern gehört. Sind die Mehl-Fotschokolade oder switched me-fcks im Saal gekauft? Okay, und ... Das ist doch auch etwas Besonderes gemeint. Ja, alles klar, dass sich das jetzt umstrahlt. Echt? Ja, also ich komme hier einmal auf die Straße Ich finde, ich sehe noch einigermaßen nach mir aus Ich habe eine andere Hose an, aber die hat man davor nicht gesehen Das passt Das T-Shirt hat sich aber nicht verändert Das ist schon kein M mehr Also das Modell hat nicht verstanden, dass ich ein M auf meinen Pullover trage Und dass das hier einfach ein O sein soll, so ein bisschen Und auch nicht wo das sich befunden hat, also in der Mitte Dann habe ich irgendwie diese seltsame, als würde ich eine Waffe entladen gehört Warum? Also, ja, Amis, okay Aber was war das für Fahrradfahren? Dann ist hier wieder was gespawnt Das hier heißt Bäckeriemuller Auch wieder wild Dann haben wir hier, ich trete manchmal rückwärts Dann trete ich vorwärts Dann ist hier wieder irgendwas gemorpht Dann kommt sie mit dem Dackel angerannt Das hat einigermaßen funktioniert Dann ist hier nochmal eine Bäck... Ja, das war zu schnell Dann ist hier nochmal eine Bäckerei Aber es heißt Bäckeriemuller Und hier steht Bäckertmulle Und dann haben wir hier hinten drin einen Haufen Brot Dann fahren wir hier rein Und es hat einigermaßen gut funktioniert Und da sehen wir da nochmal ein bisschen was Da hat es jetzt die Schrift Bäckereimuller wunderbar hingeschrieben Das hat ganz gut geklappt Die Glocke spawnt aus dem Nichts Und ich komme von außen, äh, von innen nach außen Was völlig kaputt war Das war sogar mitten im Prompt drin Das war eins der Sachen, die ich explizit hier bewerten wollte Und ich dachte nicht, dass das ehrlich gesagt ein Problem ist Dass ich von innen nach außen gehe So, die Welt ist auch nicht mehr dieselbe Ähm, hier ist es auch nicht mehr dieselbe Ähm, hier ist es auch nicht mehr dieselbe Hier haben wir nämlich plötzlich jetzt nebendran einen anderen Laden Und ich gehe quasi dadurch in den Laden rein Und dann frage ich sogar zuerst mal nach einem Brötchen Und dann nach drei Brötchen Morgen, ich hätte gerne ein Brötchen, bitte Natürlich, gleich für Sie Drei Brötchen und einen Espresso, bitte Ah, kommt sofort Dann nimmt sie ein Brötchen, das zweite verschwindet automatisch Sie stellt die Tüte aber durch das Glas durch Also die Physik ist vollkommen kaputt gegangen hier Und dann geht sie aber wieder Also keine drei, dann geht sie zur Kaffeemaschine Brötchen heute Morgen extra Macht da irgendwas Und ich rede was völlig anderes Wie das, was ich eigentlich gepromptet habe Auch hier steht irgendwie Ich weiß nicht, was das heißen soll Aber ich glaube, eins davon heißt Rotwein Aber die Tüte steht da immer noch so komplett broken Mittendrin im Raum rum Durch das Glas natürlich durch Und wie gesagt, nur ein Brötchen hat sie reingemacht Das zweite ist einfach so desappeared Und ich frage nicht wegen den Hackern Sondern rede irgendwie so ein Schnulzentalk mit ihr Sind diese Brötchen heute Morgen extra knusprig, weil sie an mich gedacht haben? Ach, Unsinn Die sind immer so gut Und die beleuchtete Brötchen sind nicht so gut Die Beleuchtung ist auch viel zu stark Also der Schatten ist hier so völlig komisch Und das T-Shirt ist mittlerweile komplett Der Pullover ist mittlerweile komplett deformiert Aber schön, dass Sie das bemerken Und das hat auch überhaupt keinen Sinn gemacht Schön, dass Sie das bemerken Eigentlich bemerke ich das quasi Und Sie müsste das sagen Das sind immer so gut Aber schön, dass Sie das bemerken Wie bekommen Sie das Brot so luftig? Das Geheimnis liegt im Kneten Schauen Sie mal Und dann knetet es sich hier irgendwie zweimal Und dann ist es so, dass es sich nicht mehr so gut macht Und dann ist es so, dass es sich nicht mehr so gut macht Und dann geht sie an die Kaffeemaschine Macht dort wieder diesen Waffengesichert- oder Geladensound Dann fängt der Kaffee an zu laufen Das sieht gut aus, finde ich Aber dann achtet auf den Unterteller Der spawnt da einfach Und sie legt das Glas hin Und das Glas läuft nicht mal über Also nicht mal das ist passiert Sie legt das ja wirklich hin Hier sollte eigentlich das Glas überlaufen Aber hier scheint eine unsichtbare Wand dran zu sein Und es schmilzt Also das ganze Glas schmilzt einfach Beziehungsweise geht kaputt Einfach nur durchs Ablegen Und ja, dann bringe ich ihr die Brötchen Hab plötzlich einen ganz anderen Pullover an Und hier spawnt dann auch direkt eine Theke Wo vorher dieses Mehl-Ding war Und dann gehe ich wieder Und plötzlich habe ich auch übrigens einen grauen Bart bekommen Achtet mal da drauf Hier, ich bin alt geworden Einfach alt geworden in dem Video Und ich glaube, ich habe auch eine andere Rose angehabt So, und dann steht hier auch wieder Bäckerie Muller Und da ist jemand anderes im Fahrrad Und jetzt werde ich zu dem Also ich werde einfach am Ende zu dem anderen Fahrrad fahren Will ich euch nochmal kurz zeigen Hier, zack Und, ah, wo ist er hin? Da ist der Morphus einfach weggespawnt Also alles in allem, das war ein harter Vergleich Nach dem, was wir davor mit Seedance hatten Naja, schauen wir uns doch einmal kurz das Ölgemälde an Also Bäckerie Müllei Hier steht auch Bäckerie Müllei Und hier steht irgendwas Unentzifferbares Aber es sieht einigermaßen aus wie ein bisschen Ölgemälde-Style Wobei nicht wirklich so viel Ölgemälde ist Er sieht sehr realismusartig aus Es sieht eher aus wie ein Filter, als hätte man das drüber gelegt Und die Welt bewegt sich auch nicht Und das hier unten, weiß nicht, da wo er durchgefahren ist Da passiert irgendwas ganz seltsames, Morphiges Wahrscheinlich wegen dem Ölgemäldeding Ähm, dem gebe ich höchstens drei Punkte Das sieht weird aus Okay, und dann einmal die Märzprobe Die hat es tatsächlich bei WO3 gemacht Bei Gemini Omni Flash war es ja abgelehnt Ja, genau Aber WO3, selber Hersteller Übrigens, also beides mal von Google Da ist es durchgekommen Ich aktiviere die Überstunden Wie sie sich alle freuen über Überstunden Okay, nochmal Also hier, das sieht tatsächlich aus wie ein Judo-Kater Also im Hintergrund sieht es aus wie Japanisch Überstunden Überstunden, das sieht richtig aus Die Sprache hat auch funktioniert Und das Monster baut sich eigentlich ganz cool aus Ich finde es spannend, wie sie hier einfach so Ja! Das sieht nicht schlecht aus tatsächlich Wobei, doch, hier fängt es an zu Morphen Die Uhrzeiger hier, das sieht broken aus Das Monster sieht broken aus Hier, das da Da auch die Kaffeetasse Das sieht alles ein bisschen broken aus Da würde ich fünf Punkte für geben Das ist noch einigermaßen das, was brauchbar ist Okay So, wenn ich mich jetzt nicht verrechnet habe Dann sind wir hier bei 47 Punkten Ähm, was bedeutet Wir haben, wenn wir das hier machen Das durch 14 teilen Ups, nicht durch 147 Ähm, 3,36 Punkte Im Schnitt Für die einzelnen Frames Beziehungsweise über alles gemittelt sozusagen Ja, das ist nicht so viel Aber das Ist auch so ziemlich das, was ich Von dem Modell halte Also wir sind da in den letzten paar Monaten schon nochmal krass viel besser geworden Weil WU 3.1 ist ja jetzt nicht das Neueste Das ist schon nochmal Ein deutlich älteres Modell Und dann haben wir da noch den letzten Kandidaten WAN 3.0 Prime Das Ganze wird von Alibaba entwickelt Und, ähm, ja Alibaba Cloud Modern Studio veröffentlicht Am 6. August 2026 Den offiziellen Endpunkt WAN 3.0 Video Am 20. August folgte dann WAN 3.0 Video Prime Eine beschleunigte Fassung mit denselben Grundsätzlichen Fähigkeiten Alibaba nennt WAN 3.0 als ein All-in-One-System Das heißt, Text, Bild, Video und Audio können hineingehen Heraus kommen dann natürlich wieder mal Video Auch mit Dialog, Musik und Geräuschen Also mit Ton einfach generiert Unter derselben Route liegen dann aber auch Text zu Video, erster und letzter Frame Referenzmaterial, Bearbeitung und Verlängerung sind auch möglich Möglich sind zudem zwei bis hin zu 30 Sekunden in 480p 720p oder 1080p bei 30 Bildern Pro Sekunde. Als Material akzeptiert Die Route bis zu 10 Bilder Sowie jeweils 5 Video Und 5 Audio Clips Für die Prime Fassung nennt Alibaba keine Gesamtparameterzahl und keinen Wert für aktive Parameter Es ist also rein proprietär Es gibt aber durchaus ein WAN 3.0 Repository mit Einer Apache 2.0 Lizenz Allerdings lag da aktuell noch nichts drin Als ich das getestet habe und geschrieben habe Dementsprechend ich vermute, dass sie es wahrscheinlich bald veröffentlichen werden Wir werden es aber dann irgendwann mal sehen Bislang war es immer so, dass bei den WAN Modellen Soweit ich weiß eine Version später veröffentlicht wurde Also quasi wenn WAN 3.1 dann rauskommt Dann kriegen wir die Gewichte von WAN 3.0 Alibabas Cloud Eigene Fassung Und Bedingungen Sagen, dass der Dienst Keine geistigen Eigentumsrechte am Output Beansprucht. Input und Output darf man also Im Rahmen von Rechtvertrag und Plattformregeln Verwenden. Enthält ein Ergebnis Allerdings Alibaba Basisrechte Bleiben die bei Alibaba oder Seinen verbundenen Unternehmen Und all das gilt durchaus für den offiziellen Model Studio Dienst Ich kann es aber natürlich nicht automatisch auf unsere Plattform übertragen Und wie üblich haben wir auch hier alles gleich gemacht wie bei den anderen Takes Und das fertige One Take hat 1920x1080 Pixel Und läuft ganz brav mit 30 FPS also Bilder pro Sekunde Auch WAN liefert sich hier alle 13 Jobs Und insgesamt hat das hier nur 32 Minuten und 26 Sekunden gedauert Netto wurden 800,8 Credits abgerechnet Beim dokumentierten Kurs sind das 44 Dollar und 49 Dollar Cent So und damit kommen wir zum letzten Modell Das wir uns wirklich angucken wollen Für dieses Mal Wir werden das natürlich für die neuen Modelle dann wahrscheinlich wiederholen Aber ich wollte erst mal wie gesagt so eine Baseline haben Und vielleicht da komme ich aber gleich noch mal im Fazit drauf Habe ich noch was anderes für euch was wir auch machen können Okay also einmal haben wir hier WAN 3.0 Das ist der One Take Das ist okay Oh das ist ein moderneres Deutschland Bäckerei Müller Gut Oh mein Fahrrad hat das Okay Pullover ist hinten drauf auch bedruckt Das ist eine sehr Ah Okay da ist ein Duckley die spawnt Da ist auch was gemorft Da sind Schilder gemorft Uiuiui Uiuiui Oh wow Hohoh guck mal ich habe einen Haarschnitt bekommen! Oh wow hohoh guck mal ich habe einen Haarschnitt bekommen! Und einen Bartschlitz Drei Brötchen und einen Espresso bitte Kommt sofort Sagen Sie mal Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt Entschuldigung ich bin Bäckerin kein IT Spezialist Möchten Sie ein Croissant oder nicht? Das sieht gut aus danke Gerne einen schönen Morgen noch Und ich gehe einfach Sehr gut Oh ja das ist eher Keksegeige Lass... Ok Das sieht gut aus Das sieht gut aus Das nicht Und Tschüß Ja geil Ah Guck mal da sehe ich wieder einigermaßen aus wie ich Und bin draußen gespawnt Super Ok alles klar ich schreib mal zusammen Ok also Ja ähm ich schreib mal zusammen Ja, ich starte hier und spawne quasi einmal raus, was ganz cool ist. Es hat hier noch so eine kleine Beleuchtung eingebaut, die man nur so ganz kurz sieht. Und der Stuhl hat auch ein bisschen sich geändert, aber nicht wirklich relevant. Also es hätte so sein können. Dann haben wir hier einmal mich beim Fahrradfahren. Ich fahre an der Bäckerei vorbei, was okay ist. Dann haben wir hier eine relativ seltsam aussehende Stadt, die ich nicht schön finde, aber die ins Prompt reinpassen würde. Dann spawnt aber die Lady mit den zwei Hunden hier einfach so. Und Eila verschwindet dann einfach wieder. Immerhin hat sie einen roten Mantel an. Dann haben wir hier ein paar Schilder, die einfach keinen Sinn machen. Und die Bäckerei erscheint aus dem Nichts. Allerdings habe ich sie nämlich auch plötzlich rasiert. Und die Bäckerei, das Schild steht zumindest einigermaßen richtig da. Dann haben wir hier aber einen plötzlich ganz anderen Hauptcharakter mit kurzen Haaren und rasiert. Das ist ja, also das bin einfach nicht mehr ich. Aber das Schild von der Bäckerei steht immer noch da. Und diese kleine Glocke ist auch immer noch, äh, ist wieder da, besser gesagt. Also die war ja davor eigentlich nicht da. Es sind auch zwei Glocken tatsächlich, was nicht so viel Sinn macht. Geöffnet steht hier auch tatsächlich... ...korrekt da, zumindest einigermaßen. So, dann haben wir den Dialog. Drei Brötchen und einen Espresso, bitte. Kommt sofort. Das ist auch genau das, was ich sagen, oder was ich wollte, dass ich sage. Aber die Tüte spawnt aus dem Nichts. Und der Ton hört sich ein bisschen, finde ich, nicht so super an. Also der ist von der Qualität her sehr viel schlechter, ähm, als das, was ich gedacht hätte. Und die Brötchen hier oben oder die Brote hier oben sehen auch ein bisschen weird aus. Ich weiß auch nicht, was das in den Gläsern da hinten dran ist. Aber hinterfrage ich jetzt mal nicht. Ähm, sie packt auf jeden Fall dann ein Brot rein oder ein Brötchen rein. Und die Tüte spawnt aus dem Nichts. Und nimmt dann noch ein anderes Brötchen und packt es da auch an. Ich wäre sauer, aber sie packt auch noch zwei rein. Sagen Sie mal, Ihre Brötchen sind überhaupt nicht gegen Hacker geschützt. Lippensynchronität, muss ich hingegen sagen, ist echt stark. Entschuldigung, ich bin Bäckerin, kein IT-Spezialist. Antwort ist auch in Ordnung. Die kann man verstehen und die funktioniert soweit. Möchten Sie ein Croissant oder nicht? Und auch die ein bisschen patzige Antwort ist sehr deutsch. Tatsächlich würde ich genauso von Bäcker aufhören. Gut aus, danke. Gerne. Allerdings lasse ich dann einfach die Tüte stehen. Einen schönen Morgen noch. Und dann haben wir hier einen Schnitt tatsächlich, was ich nicht wollte. Ich wollte einen One. Ich wollte einen One-Take haben zum Kneten hin. Und ich finde das Kneten hier, wenn man auf das Mehl achtet, sieht auch ein bisschen seltsam aus. Also es bewegt sich unten zum Beispiel fast gar nicht. Und der Teig sieht auch nicht wirklich geknetet aus. Das hier ist gar nicht mal so schlecht von der Flüssigkeit her, finde ich. Das sieht sehr solide aus. Und dann kommt hier jemand und nimmt das weg. Habt ihr die Spiegelung da hinten gesehen? Das ist schon stark gewesen. Und dann haben wir hier einmal die Tasse, die einfach runterfällt. Und dann morft aber auch gleichzeitig dieses weiße Ding. Also das ist ein bisschen seltsam. Also das ist ein bisschen seltsam. Also die Untertasse in eine neue Tasse rein. Boom. Und es zerbricht irgendwie beides. Aber eins davon überlebt. Und wir haben hier in der Mitte auch so einen seltsamen Kreis. Und das hier ist sehr, sehr symmetrisch. Was ungewöhnlich ist. Also das würde ich physikalisch nicht so erwarten, ehrlich gesagt. Die Scherben sind auch vielleicht ein bisschen viele. Ich weiß es gar nicht so genau. Aber die Flüssigkeit ist ein bisschen seltsam. Allerdings diesmal tatsächlich was, wo ich sagen würde, ist es ausreichend Flüssigkeit. Dann haben wir natürlich einen Szenenwechsel. Und die Bäckerin gibt mir endlich die Tüte in die Hand, die ich vorher nicht bekommen habe. Ich sehe wieder ein bisschen mehr aus wie ich. Allerdings ist der Bart trotzdem ein bisschen kürzer geworden. Weil ich glaube, ich hatte mich da frisch rasiert für das Video. Aber ja. Dann gehe ich und bin hier draußen direkt und mache irgendwelche seltsamen Geräusche. Und auf der anderen Seite steht wieder Bäckerei Müller. Was auch ein bisschen weird ist. Und dann steht hier auch noch Bäckerei O-Tour. Und Bäckerei Cutter oder sowas. Oder Kuller oder Kullier oder sowas. Oder Gullier. Weiß ich nicht genau. Aber alles in allem. Joa. Also ich würde es jetzt nicht verteufeln. Es ist kein. Es ist ein furchtbarer Take gewesen. Aber es war jetzt halt auch nicht super. Wir schauen uns mal das Ölgemälde noch an. So. Das ist. Das sieht zwar nach einem Gemälde und nach CGI aus. Und da steht überall Müller Müller Bäckerei Müller. Ah da drüben steht sogar Biekerei oder so. Hier steht Bäckerei Müller. Das. Ja. Und da steht auch nochmal Bäckerei Müller. Das ist ein bisschen überladen. Aber es sieht nicht aus wie ein Ölgemälde. Vielleicht ist es ein bisschen besser als das von Veo. Ich würde sagen 5 vielleicht. Ja 4. Und dann haben wir einmal noch den Märztake. Die haben wir tatsächlich auch bekommen bei dem Modell. Überstunden. Ich aktiviere die Überstunden. Aber gut aussehen tut es. Das sieht richtig aus. Also Überstunden. Ist aber kein Juli. Oh in dem Fall. Du kannst es mal ein bisschen langsamer machen Bruder. 21. Dann steht hier irgendwas auf Japanisch. Dann steht hier oben irgendwelche Schriftzeichen die ich nicht lesen kann. Aber Überstunden ist richtig geschrieben. Ich aktiviere die Überstunden. Nein. Nicht so schnell. So. Das Monster an sich sieht aber cool aus. Das ist tatsächlich gar nicht so schlecht. Dem würde ich tatsächlich auch 6 Punkte geben. Das finde ich ganz gut. Wobei März wie gesagt. Nicht getroffen ist. Aber wie gesagt kann auch sein dass er einfach nicht in den Trainingsdaten drin ist oder er verändert wurde. Okay. Das macht eine Gesamtpunktzahl von 63 Punkten beziehungsweise 4,5 von 10 Punkten. Das ist ja Mittelmaß würde ich sagen. Also alles in allem hat sie denn 2.5 wirklich mit Abstand gewonnen hierbei bei dem ganzen Vergleich vorerst natürlich. Das ist alles nur eine Momentaufnahme gut. Kommen wir mal zum Fazit. Also als allererstes mal vielen vielen Dank dass ihr euch all das. Hier angeguckt habe ich weiß das war lang aber was ich damit erreichen wollte ist einfach dass wir einfach mal wissen wo stehen wir denn gerade ihr habt glaube ich gemerkt dass ich diese Szenen nicht einfach zufällig gewählt habe weil sie cool aussehen oder so was dann hätte ich wahrscheinlich sehr wahrscheinlich was anderes gewählt. Weil sie häufig auf solchen Action Sachen gedreht wurden oder trainiert wurden aber was ich wollte ist dass ich tatsächlich möglichst viele Details analysieren kann eben zum Beispiel wie funktioniert Sprache speziell auf Deutsch wie funktioniert Schrift speziell auf Deutsch wie funktionieren so. Umlaute Sachen wie funktioniert eine Welt die konsistent bleiben soll bleibe ich konsistent über viele viele Szenen und wie funktionieren die Gesichter wie funktioniert eine freie Antwort und so weiter und so fort ihr habt ja alles mitgekriegt dementsprechend ich würde sagen wir haben jetzt ein relativ gutes Bild davon oder ich zumindest habe ein relativ gutes Bild was möglich ist und sie denn 2.5 war mit Abstand das beste Modell in fast jedem Bereich ihr seht hier eine kleine animierte Tabelle die schreibe ich euch nachher noch von den jeweiligen. Punkten die ich in jeder Szene vergeben habe und warum auch das das habe ich ja quasi immer dazu gesagt und pausiert gerne oder spult zurück damit ihr selber nochmal angucken könnt. Alles in allem muss man aber natürlich dazu sagen das ist jetzt der Stand den wir heute haben das ist 2026 es ist ja es ist gerade mal September und in der Praxis kommen ständig neue Modelle raus manche davon laufen auf unserer Grafikkarte wie wir mit H3 gesehen haben und dementsprechend wird sich das auch sehr schnell ändern. Ihr habt gesehen dass. Video ein bisschen länger gebraucht hat als Bilder aber ihr habt auch gesehen was Bilder gemacht habt hat haben und wo wir heute mit Bildern sind und ich glaube das ist auch das was wir gerade bei Video sehen dass es immer länger wird dass es immer konsistenter wird dass es immer mehr zusammenhält. Indem man einfach vorne dran zum Beispiel ein Stück Video reingibt das unterstützen und jedes Modell scheint aber so ein bisschen die Technologie der Zukunft zu sein wenn ich quasi Referenz Material von davor habe dann kann ich auch eine Welt bauen die konsistenter ist. Das ist ja auch genau das was wir mit Kontext von LLMs kennen nur dass hier eben andere Sachen getestet werden ich finde es trotzdem spannend dass manchmal sogar oder häufiger als nicht solche einigermaßen plausiblen Antworten zurückgekommen sind für die man eigentlich klassischerweise ich ein LLM benutzt hätte für diese Antwort die ja frei generiert wurde nachdem ich nach den Hackern gefragt habe bei den Brötchen was ja keinen Sinn gibt aber das muss das Modell erstmal verstehen dass es keinen Sinn gibt dazu braucht es ein gewisses Weltwissen und das finde ich spannend. Deswegen ich bin sehr gespannt. Wo es da hingeht ich will auf jeden Fall wissen was da alles möglich ist und bleibt auf jeden Fall für euch dran deswegen schreibt mir bitte was ihr oder ob ihr das weiter verfolgen wollt oder ob euch das so Jacke wie Hose ist und euch Videomodelle überhaupt nicht interessieren können schreibt mir aber auch noch eine zweite Sache denn ja ihr könnt mir auch privat schreiben wenn ihr das irgendwie nicht als Kommentar bei YouTube schreiben wollt das kann ich auch verstehen aber schreibt mir ob ich mal schauen soll was ich wirklich mit dem jeweils besten Modell nach einem Test zum Beispiel dann tatsächlich. Auch Maximum rausholen kann weil die Modelle ja wenn man sich Mühe gibt noch sehr viel mehr können wenn ihr das wollt einmal bitte kurz kommentieren das meine ich nicht irgendwie um mit Reichweite zu generieren oder sowas das ist mir ehrlich gesagt bei dem Video gar nicht so super wichtig ich will einfach informieren beziehungsweise selber informiert bleiben und das kann ich am besten wenn ich eben solche Tests machen das war jetzt ein riesen riesen Video aber das war ein Einstiegs Video sozusagen damit die danach ein bisschen flotter gehen und wir einen gemeinsamen Grundwert haben sozusagen. Damit ihr wisst wie ich analysiere und auch selber vielleicht mal gucken könnt wo hapert es denn wie kann man es auch erkennen und vielleicht welche Modelsmells gibt es denn jeweils die man vielleicht entdecken kann. Okay ich bin wahnsinnig gespannt was ihr dazu sagt und wir hören uns wieder beim nächsten Mal. So und wenn ihr jetzt selber das ganze ein bisschen ausprobieren wollt beziehungsweise auch selber mal gucken wollt was kann ich damit maximal erreichen dann schaut auf jeden Fall bei Higgsfield vorbei wie gesagt man kann mit GPT Astra zum Beispiel sich ein MCP installieren oder auch mit Claude oder sowas. Sich ein MCP installieren und dann mal schauen was man damit machen kann ihr müsst euch einfach nur einloggen ihr müsst da nicht mal irgendwie Higgsfield berühren ich war für jeden einzelnen Benchmark nicht einmal bei Higgsfield auf der Plattform ich habe es einfach nur über den MCP verbunden und dann hat das schon funktioniert und das finde ich ehrlich gesagt spannend beeindruckend und extrem komfortabel weil ich persönlich sowieso die ganze Zeit aus den aus den Agents raus agiere mit solchen Tools damit ich die auch Benchmarken kann das muss für mich einfach automatisiert laufen ansonsten bin ich an sowas halt Tage drin. Okay. Und so konnte ich das tatsächlich auch einmal programmatisch definieren und dann es lief bei mir gar nicht über den MCP es lief bei mir über die API aber das funktioniert genauso trotzdem und dann konnte ich das eben programmatisch einfach starten und laufen lassen und dann hatte ich eben gleiche Vergleiche die auch wirklich mit dem selben Prompt gleich generiert wurden das war schon sehr sehr wertvoll gut alles in allem vielen Dank dass ihr dabei wart und wir hören uns wieder beim nächsten Mal bis dann. Ciao.
CR
Codekiste Redaktion
Automatisierte Content-Kuratierung für tech-news.