Google推出AI视频副导演：用四个框架解决长视频AI连贯痛点

Google刚放出来的AI视频副导演，在自建的GenAD-Bench基准上拿了81.4分，比随机搜索基线的75.7高了一截——这不是最炸的，最有意思的是，之前大多数长视频AI，撑不过1分钟就会崩。

长视频AI的死穴：拍着拍着人都变样了

之前做AI长视频，最大的问题是语义漂移和级联错误。比如生成一个博物馆抢劫的故事，AutoStudio的版本里，贼的帽子会突然消失；Gemini-3.1-Pro的版本里，宝石的样子会变来变去，观众根本没法入戏。Google团队把这归为“信用分配问题”：视频崩了，你都不知道是哪一步的提示词出了错，没法针对性修改。

这套系统的核心不是替换现有生成模型，而是套在Gemini和Veo外面的编排层，模型本身还能兼容其他生成器，输出自带SynthID水印——相当于给AI视频打了“版权标签”，避免乱传。

四个框架，把零散片段串成10分钟的连贯故事

四个代理框架各管一块，刚好覆盖从规划到优化的全流程：
第一个是Co-Director，用多臂老虎机做创意规划，选叙事模式、审美原型，再生成分镜，最后用多模态大模型给片段打分，反向调整优化方向，它的成果还在COLM 2026上发表了。
第二个是CANVAS，管持久视觉记忆，能记住角色、场景、道具的状态，刚才说的博物馆例子，它能把帽子和宝石的样子稳住，背景连贯度提了21.6%，角色一致性提9.6%。
第三个是A²RD，训练-free的分段生成，循环“检索-合成-优化-更新”，能生成1到10分钟的视频，一致性比之前高30%，叙事连贯性提20%，Google还真出了10分钟的完整demo。
第四个是VQQA，用视觉问题反馈优化提示词，不用碰模型内部细节，选最优输出时不看最后一次结果，而是从所有迭代里挑，在T2V-CompBench和VBench2两个基准上分别提了11.57%和8.43%。

对开发者来说，这是不用训模型的新路子

对比同行，ByteDance的StoryMem要微调模型，Show Lab的MovieAgent要做LoRA适配，Google这个副导演不用动现有模型的训练参数，只是做了一层“协作调度层”，降低了接入门槛。现在它已经开源了Co-Director和A²RD的代码，CANVAS的代码还在开发中，不用等Google出成品工具，开发者已经能自己玩一部分。

Google把长视频AI从“凑好看的帧”变成了“全局优化世界状态”，这是个明显的转向。现在它能把零散的片段串成连贯的10分钟故事，但最终的创意内核还是得人定。你觉得，以后导演的辅助工作，会先被这种AI副导演吃掉吗？还是说，长视频的核心，终究还是人的故事本身？

素材来源：MarkTechPost · AI情报、大模型、AI智能体、AI应用落地
查看报道原文