# 0.006 元 vs 0.124 元：视频理解的性价比实验

> 当多模态大模型已经能"直接看视频"，把视频压缩成信息层再喂 LLM 还有意义吗？
> 我们用 5 组对照实验、3 个真实 B站视频、18 次完整跑测，拿数据回答了这个问题。

**TL;DR**：原生视频理解质量确实最高，但成本是信息层方案的 **8-12 倍**。在语音密集类视频上，我们的方案质量打平原生理解，成本只有 1/9。结论：原生视频是"质量上限"，信息层是"性价比甜区"。

## 背景：一个正在被范式威胁的项目

[dsh-video-understand](https://github.com/ilps2/dsh-video-understand) 的设计前提是"LLM 不能直接看视频"——所以把视频压缩成 **AVIS 信息层**（ASR 转写 + 场景结构 + 运动对象轨迹，约 1-2k token）再喂 LLM，单视频成本约 0.006-0.01 元。

但 2026 年的今天，MiMo v2.5 等模型已经原生支持 `video_url` 直传。对手不再需要压缩时，"token 压缩 99.99%"这个卖点还值钱吗？

我们没有靠感觉回答，而是设计了一场对照实验。

## 实验设计

**5 个实验组**，同一模型（mimo-v2.5）、同一 API key、同一批问题，唯一变量是信息获取方式：

| 组 | 方案 |
|---|---|
| A | 引擎默认：信息层 → LLM（本项目主线） |
| B | 引擎 + 视觉细节问题（触发视觉聚焦补帧） |
| C | B站字幕直取 → 纯文本 LLM（最便宜的理论基线） |
| D | 均匀抽帧（每 30s 1 帧 JPEG）直发 VLM |
| E | **原生视频理解**：视频本体经 `video_url` 直发 mimo-v2.5 |

**3 个样本视频**（B站，5-11 分钟）：电影解说（语音密集）、街舞比赛（纯视觉无解说）、烹饪教程（语音+画面并重）。

**判定标准预先约定**（防止事后找补）：若 E 组质量全面 ≥ B 且成本差距 < 3 倍 → 项目价值存疑。

## 结果

### 质量分（盲评，5 分制）vs 成本（元）

| 视频 | A 引擎 | B 引擎视觉 | C 字幕 | D 抽帧 | E 原生视频 |
|---|---|---|---|---|---|
| 解说 | 4.0 / 0.011 | 2.0\* | ❌ 不可用 | 3.0 / 0.010 | 4.7 / **0.124** |
| 舞蹈 | 3.7 / 0.007 | 4.0 / 0.007 | ❌ 不可用 | 3.7 / 0.008 | 4.5 / **0.078** |
| 教程 | **4.7** / 0.009 | 3.7 / 0.023 | ❌ 不可用 | 3.7 / 0.006 | 4.7 / **0.082** |

\* B 组解说暴露了引擎一个真 bug（视觉聚焦未触发），已修复，见下文。

### 关键数字

- **E 组输入 token：7.6 万 - 12.1 万**（2fps 全量帧）；A 组信息层：**870 - 2,217 token**——50-100 倍差距
- **E 组成本是 A/B 组的 8-12 倍**，远超"价值存疑"的 3 倍阈值
- 教程视频：A 组 4.7 分**打平** E 组——"麻椒花椒同放否则发苦"这类口播技巧、广告段定位（精确到秒）全部拿到，成本 1/9

## 三个意外发现

### 1. 字幕基线全灭

理论上最便宜的路线（抓 B站 CC/AI 字幕 → 纯文本问答）在三个视频上**全部不可用**——B站 AI 字幕需要登录态，游客抓不到。这条路线在真实场景不构成竞争。

### 2. 抽帧基线是真正的贴身对手

D 组成本与 A 相当（0.006-0.01 元），纯视觉视频质量打平。但它的死穴是**没有听觉**：解说视频里情节靠猜，幻觉明显（"找口红""金色皮肤的男人"都是编的）；教程里口播技巧完全丢失，只能读到画面字幕。视频理解不只是"看"。

### 3. 实验反手抓出引擎一个真 bug

B 组解说视频的三个视觉问题，引擎全部回答"信息层未提供"。排查发现：**自评模块检测到 visual 缺口，却只记录、不行动**——初始定位判 gap=none 时聚焦计划为空，自评发现缺口后循环直接退出，补救机制形同虚设。

修复后（[e9e6d6d](https://github.com/ilps2/dsh-video-understand/commit/e9e6d6d)）：自评逐题打分取最差，发现 visual/asr 缺口自动追加聚焦动作。同一视频重跑，视觉问题从"信息层未提供"变成"长鼻子驼背特效形象、克里斯汀·韦格夸张神态"，成本仅 +0.001 元。**对照实验不只是验证方案，也是最好的压测。**

## 结论

按预设判定标准，"项目价值存疑"**未触发**，定位成立：

- **语音密集视频**：信息层质量 ≥ 抽帧，持平原生理解，成本 1/9-1/12
- **纯视觉视频**：质量接近（4.0 vs 4.5），成本 1/11
- **独有护城河**：L0 全本地（隐私场景硬需求）+ 信息层缓存复用（同一视频追问成本 1/20，缓存命中价是未命中的 1/50）+ 无登录态可用

一句话：**原生视频理解是质量上限，信息层是性价比甜区。** 在批量分析、反复追问、隐私敏感这三个场景，优势还会进一步放大。

## 复现

实验代码与判定标准全部开源，一条命令跑完 5 组 × 3 视频：

```bash
git clone https://github.com/ilps2/dsh-video-understand.git
cd dsh-video-understand && npx dsh-video-understand doctor --fix
bash experiments/run.sh <解说BV> <舞蹈BV> <教程BV>
```

- 实验设计（含预设判定标准）：[experiments/benchmark.md](https://github.com/ilps2/dsh-video-understand/blob/main/experiments/benchmark.md)
- 插件安装（0.5.0 起零手动命令）：`npm install dsh-video-understand`

*数据说明：成本按 MiMo 价目计算（输入缓存命中 ¥0.02/百万、未命中 ¥1/百万、输出 ¥2/百万 token），2026-08-20 实测。*