谷歌推出AI视频联合导演：四大智能体框架实现分钟级连贯视频生成

长视频生成的两大顽疾：语义漂移与级联失败

当前AI视频生成在单片段层面已具备高保真能力，但将多个片段拼接为连贯长视频仍面临根本性挑战。谷歌研究团队指出，绝大多数多镜头AI视频流水线失效源于两类问题：一是身份漂移（identity drift），即角色服饰、场景布景等关键视觉元素在镜头切换间发生不一致变化；二是级联错误（cascading errors），即上游某一环节生成的瑕疵资产（如错位道具或失真人脸）持续污染后续所有镜头。团队将此归因为‘信用分配问题’——当最终成片出现断裂时，难以回溯定位是哪个提示词或模块导致了初始偏差。

四大智能体框架协同工作

该系统作为轻量级编排层，运行于Gemini与Veo等基础模型之上，具备模型无关性（model-agnostic），输出自动继承SynthID数字水印。其核心由四个经顶会录用的智能体框架构成：

Co-Director：基于多臂老虎机的创意规划

被COLM 2026接收的Co-Director将视频创作建模为带反馈的探索问题。一名‘指挥智能体’在创意策略、叙事模式与美学原型三个维度中动态选择配置；‘前期制作智能体’据此生成分镜脚本；随后关键帧、视频与音频子智能体并行产出媒体素材；最后由多模态大语言模型（MLLM）担任‘评审法官’，对成片打分并反馈结构化奖励信号，驱动多臂老虎机持续优化决策路径。

CANVAS：持久化视觉记忆

EMNLP 2026录用的CANVAS构建可检索的视觉锚点库，全程追踪角色、地点及物体状态。当场景重现时，系统自动调取历史存储的视觉特征。在博物馆盗窃测试中，竞品AutoStudio丢失窃贼帽子，Gemini-3.1-Pro误改宝石颜色，而CANVAS成功保持二者全程一致。

A²RD：分段式自回归扩散架构

A²RD（Agentic Autoregressive Diffusion）为免训练架构，每段视频执行‘检索—合成—精炼—更新’循环，依托多模态视频记忆库。智能体自主判断：对新情节采用外推（extrapolation），对复现场景则启用内插（interpolation）。谷歌已公开一段由此生成的10分钟完整影片。

VQQA：闭环式提示词重写

VQQA（Video Quality Question Answering）针对每个文本提示生成视觉导向问题，再由视觉语言模型（VLM）提供‘语义梯度’式反馈，直接重写原始提示。该机制无需访问生成模型内部参数，且通过‘全局择优’（Global Selection）从全部迭代结果中选取最佳视频，而非默认采用末次输出。

基准测试与横向对比

谷歌构建三项新评测基准：GenAD-Bench（400条广告场景）、HardContinuityBench（强考验场景复现与道具状态变更）、LVBench-C（关键资产消失超10个片段后回归）。结果显示：Co-Director在GenAD-Bench平均得分81.4，人类评分达3.96/5；CANVAS在背景连续性、角色一致性、道具一致性上分别提升21.6%、9.6%、7.6%；A²RD在1–10分钟视频中一致性与叙事连贯性分别提升最高30%与20%；VQQA在T2V-CompBench与VBench2上绝对提升11.57%与8.43%。

横向对比显示，该方案以分层多智能体编排为特色，强调世界状态跟踪与闭环优化，区别于StoryMem的记忆银行、MovieAgent的链式推理或AutoStudio的图像序列生成范式。目前Co-Director与A²RD代码已开源，CANVAS即将发布。

编者观点

中国AI视频初创企业与内容平台可重点关注其‘免训练编排层’思路——不依赖私有大模型或海量算力，而是通过智能体协同机制提升现有开源/商用模型的长视频鲁棒性，为低成本、高可控的内容工业化生产提供新路径。