- 发布日期
四种智能体框架实现连贯的数分钟视频生成
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
Google Research 推出了一款 AI 视频联合导演系统。这是一套由四个智能体框架组成的套件，旨在将短小的生成片段转变为连贯且长达数分钟的故事。该系统被定位为构建在 Gemini 和 Veo 之上的编排层，同时保持模型无关性，因此也可以驱动其他视频生成器。这些工具不会把每个镜头都视为一个孤立的提示词，而是协调创意规划、视觉记忆、长程生成和质量控制等环节。通过 Google 基础模型生成的输出还会保留 SynthID 水印。
此次发布指出了当前生成式视频流水线的一项弱点：扩散模型虽然能够快速渲染出引人注目的片段，但将这些片段串联起来时，往往会引入语义漂移和连锁错误。服装、场景和物体的状态可能会在镜头之间发生变化，而一个糟糕的素材也可能污染整段序列。Google 将 underlying issue 称为“信用分配”（credit assignment）：也就是说，很难把最终场景中的问题追溯到造成该问题的具体提示词或决策。因此，独立且手工编写的提示词难以扩展到长篇故事创作中。
项目材料显示，Co-Director 已被 COLM 2026 接收。它将创意规划视为一个 bandit 搜索问题。编排器智能体（Orchestrator Agent）负责从创意策略、叙事模式和美学原型中选择方案，随后由前期制作智能体（Pre-Production Agent）创建故事板。关键帧、视频和音频子智能体负责生成各项素材，最后由一个多模态大语言模型评审器（MLLM judge）对 assembled cut 进行评分。其分解后的奖励会反馈给多臂老虎机，使系统能够学习哪种配置生成了效果更强的序列，而不必依赖某一种由人工选定的固定设置。
同样被列为已由 EMNLP 2026 接收的 CANVAS，为角色、地点和道具增加了持久视觉记忆。当故事再次出现某个已知实体时，它会检索此前存储的视觉锚点，从而帮助在这些实体重新出现时保留相关细节。在 Google 的博物馆劫案测试中，AutoStudio 基线系统丢失了一顶盗贼帽子，Gemini-3.1-Pro 则改变了一颗宝石，而 CANVAS 保持了二者不变。Google 报告称，CANVAS 的背景连续性提升了 21.6%，角色一致性提升了 9.6%，道具一致性提升了 7.6%。
A²RD 采用一种无需训练的方法，通过由多模态记忆支持的“检索、综合、细化、更新”（Retrieve、Synthesize、Refine、Update）循环，逐段生成视频。当故事引入一个新的情节节拍时，它可以进行外推；当再次出现的角色或场景必须与先前画面保持一致时，它可以进行内插。Google 展示了一部连续播放的 10 分钟影片，并报告称，在时长为 1 至 10 分钟的评测中，其一致性最高提升了 30%，叙事连贯性最高提升了 20%。VQQA 则通过提出视觉问题来闭合提示词循环：它把视觉语言模型提出的批评意见作为语义梯度，在不访问模型内部机制的情况下重写提示词；随后，一个全局选择器会挑选出最佳迭代版本，而不是自动保留最后一个版本。
Google 还引入了三项基准测试：GenAD-Bench 包含 400 个广告场景，覆盖来自 50 个品牌的 200 款虚构产品；HardContinuityBench 重点测试重新出现的场景以及状态变化；LVBench-C 包含 120 个案例，其中某些素材会连续至少 10 个片段保持消失状态。Co-Director 在 GenAD-Bench 上的平均得分为 81.4，人类评分满分 5 分制下获得 3.96 分，而随机搜索基线的得分为 75.7；参与比较的还包括 Veo 3.1、Kling 3.0 Omni、Wan 2.6 和 MovieAgent。与未经优化的原生生成方式相比，VQQA 在 T2V-CompBench 上提升了 11.57%，在 VBench2 上提升了 8.43%。这些结果表明，系统的可靠性获得了实质性提升，不过基准测试上的表现并不等同于人类水平的电影制作能力。
会议接收信息、公开的项目资料、GitHub 链接以及跨模型比较，使这项工作更容易被审查和复现，但现有证据仍然属于研究驱动性质。成本、延迟、创意控制能力以及在 Google 技术栈之外的表现，将决定用户是否会采用这套系统。接下来的一个可能方向，是把这四种方法合并到同一个工作流中，使其能够进行全局规划、记忆世界状态、以自回归方式生成内容，并批评和修正自己的输出。
