Sora 2 模型局限 — 手部、人脸、文字是三大硬伤

公认的三个硬伤

所有对 Sora 2 的深度评测（Booststash、PC Gamer、学术分析报告）都指向了同一组问题：

表现：手指融合、数量不对（六指、八指）、动作不自然、细节混乱。

原因分析：手部是人体结构中最复杂的部分——27 块骨头、大量关节和灵活的肌肉控制。训练数据中手部特写的密度不够高，模型对复杂手部动作的理解仍然很浅。

影响：任何需要特写手的场景（弹钢琴、写字、敲键盘）都会出问题。

表现：极端近景下的人脸（比如镜头直接怼脸拍）会进入恐怖谷——五官比例轻微失调、皮肤纹理不自然、微表情僵硬。

原因分析：脸是模型最常用的训练对象之一，但极端近景下的"完美呈现"需要模型理解皮肤纹理、光影在细微处的变化、肌肉微动作这些非常精细的特征。模型还做不到。

影响：人物说话的特写镜头容易露馅——嘴唇同步在远距离看起来不错，但近看嘴型还是会有偏差。

表现：生成有可见文字的画面（招牌、屏幕、文件）时，文字大概率是乱码——模型还没学会生成清晰可读的文字。

原因分析：文字本质上是一种非常精细的视觉模式——每个字符都有特定的结构。模型的视频生成能力建立在视觉特征提取上，但文字需要"理解字符"这个额外的层级能力。Sora 2 的架构里没有专门的文字理解模块。

影响：任何需要可见文字的场景（广告牌、视频里的字幕、产品包装）都会出问题。

还有一些没那么致命但也很显眼的问题：

Sora 2 在不同风格上的表现有明显差异：

在动漫和风格化内容里，手部和脸部的"不完美"反而被风格化处理掩盖了。这也是为什么发布初期社区里动漫和恶搞风格的内容占了很大比例。

这些局限在后续模型中逐步被修复：Runway Gen-3 和可灵在手部处理上明显进步；Google Veo 3 在人脸一致性上有所提升；但文字渲染仍然是整个行业的共同难题。