SeedVR2 四路模型横评
《黄粱》v007 倒米段 · 1470×630 → 3840×1646 · 72 帧 · batch 13 · 除模型外参数完全一致 · 2026-07-25
结论
- 7B 明显优于 3B——3B 在平坦区编出刀削斧凿的假纹理（看夯土墙），7B 是更接近真实材质的细腻颗粒。
- 速度不再是选型依据。四路全在 7–8 分钟。VAE 编解码四路完全相同（吃掉 78% 时间），DiT 差异只有 34 秒。官方那句「7B 比 3B 慢 3 倍」是低分辨率下测的，4K 档失效。
- 3B fp16 与 3B Q8_0 几乎逐像素相同（RMSE 1.3–1.9）——Q8 量化基本无损，但两者都不如 7B。
- 推荐 7B fp8mix：细节最多且未改写道具形制，代价只比最快的多 66 秒。
高频涨了不等于画质好——这正是上一轮悬而未决的问题。本轮判法：逐区目视核对源图。陶盆区高频涨到 3.2 倍，但盆沿、反光、米粒的位置数量走向与源完全对得上，是把运动模糊的米粒解析清楚，不是凭空增殖。动态下的最终判断仍归你。
取样位置
下面四个区都从第 36 帧裁出，1:1 像素不缩放。源图用 LANCZOS 放大到同尺寸做对照。
逐区对比 · 点按钮原地切换
图在原地替换，眼睛不用移动——这是唯一能看出差别的看法。键盘 1–5 也能切。
夯土墙与蒸汽
最关键的一区。平坦+半透明表面最容易被凭空编纹理——3B 那种有方向性的刮刀纹就是假的。
脸与须发
看两件事：皮肤有没有被编出斑驳的假纹理（3B 的脸颊、太阳穴），须发是根根分明还是糊成一坨。
陶盆与米粒
盆是锁定道具，形制被改写即判废。同时看米粒是被「解析清楚」还是被「增殖」。
手部皮肤
塑料感最先出现在这里。皮肤纹理该是无规律的，一旦规律化就是模型在编。
耗时拆解（4K 3840×1646 / 72 帧 / batch 13）
| 模型 | 权重 | VAE 编码 | DiT | VAE 解码 | 后处理 | 总计 |
|---|---|---|---|---|---|---|
| 3B fp16 | 6.31 GB | 95s | 80s | 232s | 19s | 7:06 |
| 3B Q8_0 | 3.41 GB | 94s | 71s | 232s | 19s | 6:59 |
| 7B Q4_K_M | 4.43 GB | 94s | 100s | 232s | 20s | 7:30 |
| 7B fp8mix ★ | 7.88 GB | 94s | 105s | 231s | 21s | 8:05 |
VAE 是独立模型、与 DiT 无关，所以四路的 94s / 232s 一模一样——它俩合计吃掉 78% 的时间，这就是换模型几乎不影响总时长的原因。
高频能量（拉普拉斯方差 · 越高＝细节越多）
| 区域 | 源 LANCZOS | 3B fp16 | 3B Q8_0 | 7B Q4_K_M | 7B fp8mix |
|---|---|---|---|---|---|
| 夯土墙 | 5.4 | 27.8 | 27.9 | 30.3 | 35.8 |
| 脸与须发 | 2.7 | 3.8 | 3.8 | 8.0 | 9.2 |
| 手部皮肤 | 4.3 | 24.2 | 23.7 | 36.3 | 49.2 |
| 陶盆米粒 | 3.5 | 21.7 | 21.5 | 50.9 | 70.5 |
这张表只证明「高频还在」，证明不了那是真材质还是数字锐化——所以上面每一区都必须拿眼睛对源图核过。数字是线索，不是判决。
两两像素差（RMSE · 越小＝越像）
| 区域 | 3B fp16 ↔ 3B Q8_0 | 7B Q4 ↔ 7B fp8 | 3B fp16 ↔ 7B fp8 |
|---|---|---|---|
| 夯土墙 | 1.90 | 3.36 | 6.77 |
| 脸与须发 | 1.33 | 2.23 | 3.49 |
| 手部皮肤 | 1.60 | 3.13 | 5.73 |
| 陶盆米粒 | 1.60 | 3.40 | 5.89 |
3B 的两个量化档差异最小（1.3–1.9，肉眼不可辨）；3B 与 7B 差异最大（3.5–6.8）——分歧在参数量，不在量化精度。