Google Research 推出 AI 视频联合导演：4 个智能体框架实现连贯的分钟级视频生成

📌 One-Sentence Summary

Google Research 推出一套 AI 视频联合导演套件，包含 4 个智能体框架，将长视频生成视为全局优化问题，从而解决身份漂移和级联错误。

📝 Summary

Google Research 发布了一套包含 4 个智能体框架的套件，旨在生成连贯的分钟级视频，解决当前扩散模型的局限，特别是语义漂移和级联失败。该系统作为模型无关的编排层运行在 Gemini 和 Veo 之上。它包括 Co-Director，通过多臂老虎机搜索进行创意规划；CANVAS，提供持久视觉记忆以保持角色和物体一致性；A²RD，通过多模态视频记忆进行逐段自回归扩散；以及 VQQA，利用视觉问答进行闭环提示词优化。基准测试显示，在连续性和叙事连贯性方面有显著提升，A²RD 成功生成了一部连续的 10 分钟影片。虽然部分代码已公开，但完整流程仍属研究原型，而非商业产品。

💡 Main Points

将长视频生成视为全局优化和世界状态追踪问题

Google 的方法不是将独立的提示词串联起来（这会导致语义漂移，例如服装变化）和级联错误，而是使用智能体来管理整个叙事弧线和视觉状态，确保镜头之间的一致性。

4 个专门的智能体框架覆盖制作的不同方面

Co-Director 通过老虎机搜索处理创意策略；CANVAS 为角色和道具维护持久视觉记忆；A²RD 通过外推/插值逻辑管理逐段生成；VQQA 通过视觉批评循环优化提示词。

在一致性和长度方面取得显著性能提升

GenAD-Bench 和 HardContinuityBench 等基准测试显示，与基线相比，一致性提升高达 30%，叙事连贯性提升 20%。A²RD 展示了生成具有稳定实体的连续 10 分钟影片的能力。

模型无关架构，部分开源可用

该框架构建在 Gemini 和 Veo 等现有生成器之上，但也能驱动其他生成器。Co-Director 和 A²RD 的代码已在 GitHub 上提供，而 CANVAS 尚待发布，表明这目前是研究工具而非成品。

💬 Key Quotes

它针对身份漂移和级联错误，这是当今大多数多镜头 AI 视频流程失效的 2 个原因。

Google 团队将此视为信用分配问题。一段损坏的最终视频很难追溯到导致它的提示词。

A²RD 制作了一部连续的 10 分钟影片，角色和场景保持稳定。

VLM 的批评充当「语义梯度」，重写文本提示词。

📊 Article Meta

AI Screening： 86

Source： MarkTechPost

Author： Asif Razzaq

Category： 人工智能

Language： 英文

Read Time： 4 min

Word Count： 969

Tags：

AI 与智能应用 , 模型发布 , 多模态 AI , 世界模型 , AI Agent