先看证据
把机制串起来
视频扩散模型擅长把单个提示词变成高画质短片，但并不天然维护跨镜头的角色、道具、空间和因果关系。长视频本质上不是把短片首尾相接，而是要持续保存世界状态，并判断哪些内容该延续、哪些内容该变化。所谓信用分配，就是在最终视频出问题时，定位到底是哪个早期决策或生成环节造成了后续崩坏。
Co-Director用多臂老虎机在创意策略、叙事模式和美学原型之间探索：全局搜索负责试不同创作方向，局部多模态自反思负责修正具体镜头。预制代理先生成故事板，关键帧、视频和音频代理再执行，MLLM评审器把整段成片拆成因素评分，并将奖励回传给老虎机。这样设计的代价是生成与评估次数增加，但能把最终质量反馈用于选择策略，而不是依赖一次性的手工提示词。CANVAS则把角色、地点和物体状态存成可检索的视觉锚点，场景重返时取回锚点，避免模型重新“猜”同一对象。A²RD按段执行检索、合成、
['适合广告、短片和多镜头叙事等需保持身份一致的任务', '长片生成应保存角色、地点、道具的可检索状态', '新情节用外推，旧角色或场景回归用插值', '不适合只追求单镜头画质、无需跨镜头一致性的任务']
短片段能生成，长故事却会散架
扩散模型能在几秒内渲染出高保真片段，这是过去两年视频生成最显眼的进展。但把若干这样的片段缝成一个有连贯叙事的故事，失败率依然很高：人物的外套颜色在中段变了，场景里的道具在某个镜头后消失，或者在后续镜头里换了形态。Google Research 把这套问题定义成两个具体故障模式——语义漂移与级联失败。前者指衣着、场景在镜头之间慢慢偏移，后者指上游一个坏资产污染所有下游镜头。
更棘手的是归因。Google 团队把它称为 credit assignment problem：一段最终失败的视频，很难追溯到究竟是哪一个 prompt 造成的。大多数 agentic 视频管线把模块串起来，每个模块配一份独立、手工编写的 prompt，模块之间的耦合是隐式的，所以错误一旦发生，修正也无从下手。这解释了为什么很多流水线在单镜头 demo 好看，一到多镜头分钟级视频就崩。
四个框架覆盖规划、记忆、长程生成与自我纠错
Google 的方案不是重训模型，而是构建一层模型无关的编排层，叠在 Gemini 和 Veo 之上，输出继承基座模型的 SynthID 水印。第一个框架 Co-Director 已被 COLM 2026 接收，把创作规划建模为多臂老虎机问题。Orchestrator Agent 在 Creative Strategy、Narrative Mode、Aesthetic Archetype 三个维度上选一组配置，Pre-Production Agent 据此生成分镜，Keyframe、Video、Audio 三个子 Agent 产出媒体，最后由 MLLM Judge 打分，把 factored reward 回传给老虎机。
第二个框架 CANVAS 被 EMNLP 2026 接收，负责持久视觉记忆：它追踪角色、地点和物体状态随剧情演变，当某个场景回归时召回存储的视觉锚点。在 Google 的博物馆盗窃测试里，AutoStudio 丢掉了小偷的帽子，Gemini-3.1-Pro 换掉了宝石，CANVAS 两样都保住了。第三个框架 A²RD（Agentic Autoregressive Diffusion）是无训练架构，每个片段跑一轮 Retrieve、Synthesize、Refine、Update 循环，对着一份多模态视频记忆工作，并在新剧情节拍用外推、回归实体用内插之间切换。
VQQA 把提示词改写当成语义梯度
第四个框架 VQQA 处理自我纠错。它为每条 prompt 生成视觉问题，用 VLM 的批评作为“语义梯度”来重写文本 prompt，而且不需要访问模型内部——这是它相对权重级微调最实际的差异。一个 Global Selection 步骤在所有迭代里挑选最佳视频，而不是默认采用最后一次输出。
这四层的分工值得注意：Co-Director 管规划，CANVAS 管状态记忆，A²RD 管长程生成，VQQA 管闭环纠错。它们不是一条串联流水线，而是覆盖四类不同性质的问题。多数现有系统只做了其中一层——通常是规划和生成，然后把一致性问题留给模型本身。Google 的判断是，一致性问题本质上是世界状态追踪问题，模型本身不负责这件事，编排层才负责。
三个新基准和一组必须读清楚的数字
Google 同时发布了三个基准。GenAD-Bench 覆盖 50 个品牌、200 个虚构产品、400 个广告场景；HardContinuityBench 的压力点是场景重现和道具状态变化；LVBench-C 的 120 个场景里，关键资产至少消失 10 个片段后才回归，专门用来测召回。
结果方面：Co-Director 在 GenAD-Bench 上平均 81.4 分，人类评分 3.96/5，对照的基线包括 Veo 3.1、Kling 3.0 Omni、Wan 2.6 和 MovieAgent，其随机搜索基线为 75.7。CANVAS 在背景连续性上提升 21.6%、角色一致性提升 9.6%、道具一致性提升 7.6%。A²RD 在 1 到 10 分钟视频上一致性提升最多 30%，叙事连贯性提升 20%。VQQA 在 T2V-CompBench 上绝对提升 11.57%，VBench2 上提升 8.43%。Google 还放出了一部用 A²RD 生成的连续 10 分钟影片。
这些数字能说明什么，不能说明什么
有三个细节需要比分数本身更谨慎地对待。第一，基准是 Google 自己构建的，GenAD-Bench、HardContinuityBench、LVBench-C 都由提出方设计，任务分布、评分口径和难度分布都掌握在作者手里；跨论文的系统比较在缺少第三方基准的情况下说服力有限。第二，CANVAS 的博物馆测试是一个定性案例，展示的是两个具体资产在特定剧情里的保持，不能外推成普遍的角色一致性保证。
第三，A²RD 的 30% 一致性提升和 20% 叙事连贯性提升是最多值而非平均值，而 10 分钟影片是一个精选 demo。长视频生成的评估本身就很难自动化，人类评分和自动指标经常不一致，Google 同时给出两者算是诚实，但两者的结论并不总是对齐。
对技术负责人意味着什么
可用性上，Co-Director 和 A²RD 的代码已经在 GitHub 上，CANVAS 代码待发布，完整管线尚未全部开放。这意味着现在能复现的是规划层的 bandit 搜索和长程生成的无训练循环，视觉记忆层和 VQQA 的闭环纠错还只能按论文描述自行实现。
架构上更重要的启示是分层边界。如果你在做多镜头视频管线，一致性故障往往不是生成质量问题，而是状态管理问题。把一致性当成模型能力去调 prompt，收益会很快见顶；把角色、地点、道具状态从提示词里显式剥离成一个可检索的记忆层，才有继续改的空间。VQQA 的语义梯度思路也给出了一个低成本选项：在不能访问模型内部的前提下，用 VLM 批评改写 prompt 并在所有迭代里做全局选择，比默认采用最后一次输出更稳。
边界：世界状态追踪仍未解决
这套方案把长视频生成重新定义成全局优化和世界状态追踪问题，这个框架比四个具体框架更有生命力。但边界同样清楚：CANVAS 依赖视觉锚点的检索召回，LVBench-C 里关键资产消失 10 个片段后才回归，正是这种召回压力最大的场景；A²RD 保持无训练，意味着它的上限受基座模型约束；VQQA 的语义梯度只在文本空间操作，改不动画面本身的物理不一致。
一个可以执行的判断是：如果你的视频时长在 1 到 10 分钟、场景数在几十个量级，这套分层值得照搬思路；如果资产数量或剧情跨度继续放大，记忆检索的召回质量会先成为瓶颈，而不是生成质量。Google 目前没有给出记忆层在更长跨度下的衰减数据，这是后续最该被第三方复现验证的部分。