Google 的 AI 视频联合导演：四个项目组成一套框架，成片从 12 秒到 10 分钟

2026 年 9 月 24 日，Google Research 发布博客《Automating coherent long-form video generation》，把四项工作并列成四根支柱：Co-Director、CANVAS、A²RD 与 VQQA1。四篇论文的投出时间跨了两个月：VQQA 在 3 月 12 日、CANVAS 在 4 月 15 日、Co-Director 在 4 月 27 日、A²RD 在 5 月 7 日2345，其中 Co-Director 与 CANVAS 已分别被 COLM 2026 和 EMNLP 2026 接收1。写这篇博客的 Yale Song 在四篇里都有署名，另一位作者 Yiwen Song 署名其中三篇2345。

博客把四者称作 "a unified multi-agent framework"，读到论文才发现，这是一套共享思路下的四个独立项目，改动的都是生成器之外的那一层。四篇放在一起看，长视频一致性被推进到哪一步，取决于一件事：分数是从哪里买来的。

博客对失败方式的分类很清楚：跨镜头之间的语义漂移，是人物的服装或场景在不知不觉间换了；级联失败，是上游素材的一个瑕疵污染了下游的合成；此外还有特征漂移，让实体与环境逐渐走样，以及内容塌缩，让叙事不再往前推进1。用 Co-Director 论文的话说，这是一个信用分配问题——成片失败之后，很难回溯到是哪一个提示词写坏了4。

官方那张博物馆盗窃分镜对照图把这几种失败摆在了画面上：同一组提示词下，直接用 Gemini-3.1-Pro 生成时，被盗的金器在两个镜头之间换了样子、展厅布局发生位移；换成另一套多智能体框架 AutoStudio，盗贼的帽子在切镜之后消失1。

Co-Director 把整件事当成一个全局优化问题4。指挥层用多臂老虎机在三个正交维度上抽样一套"创作配置"：创作策略（信息型、转化型、对比型）、叙事模式（分析型、小品型、戏剧型）、美学原型（明亮能量、电影质感、极简聚焦、粗粝动能）4。配置选中之后，指挥层把它翻译成每个子智能体系统提示里的具体指令，再走一条四段流水线：预制作层产出创意简报、剧情与视觉资产，合成分镜；制作层分关键帧、视频、音频三个子智能体；后期把片段与音轨拼成成片14。成片交回多模态裁判打分，分数按三个维度拆成因子化奖励回灌老虎机，用 UCB1 更新策略4。除全局搜索之外，剧情与关键帧还各有一条局部自细化回路，低于阈值就重写或重生成，每处重试上限三次4。

CANVAS 换的是另一件事：让系统记住世界。它把角色、地点、道具的状态维护成结构化表示，并保留一份持续视觉记忆——回到同一场景时从记忆里取回原来的视觉锚点，确实缺素材才新建；场景规划带位置感知，保证再次进入同一地点时空间结构不变13。

A²RD 动的是生成过程本身。它逐段生成，每段走一圈"取回—合成—精炼—更新"，多模态视频记忆把每段拆成文本状态、关键帧与视频三份5。每段开始前，系统自适应选择生成模式：推进新剧情用外推，锚回已经出场过的角色与环境用插值15。帧级与段级还各有一层测试时自改，用来截断错误传播，整套方法不需要训练6。

VQQA 是四个里最轻的一个，也最像工程手段。它不问一条视频几分，而是按当前提示词动态生成视觉问题，把视觉语言模型的评语当作语义梯度，逐步改写文本提示词2。为了不让局部修改压过整体，它用一层全局挑选，在整条优化轨迹里挑出相对原始提示词得分最高的候选12。改动落在文本提示词这一层1。

Co-Director 的分数出在自建的 GenAd-Bench 上：50 个虚构品牌、200 个产品、400 个场景，素材由 Gemini 3 Pro 与 Nano Banana Pro 合成，其中 15% 被人工判为不合格而重做47。

同一张表里，商业平台 Creatify 得 22.1、HeyGen 46.7，Kling 3.0 Omni 58.4，单模型里最高的 Veo 3.1 拿到 63.6，外部多智能体框架里最高的 MovieAgent 是 65.3，而表里最高的一格是 Co-Director 的 81.47。人类评分给出同样的方向：5 名评分者、50 个场景，Co-Director 平均 3.96 分（满分 5），Veo 3.1 是 3.717。

另外三篇给的是百分比。CANVAS 相对最强基线，把背景连续性提高 21.6%、角色一致性提高 9.6%、道具一致性提高 7.6%3。A²RD 相对此前的自回归方法，一致性最多提高 30%、叙事连贯最多提高 20%，覆盖 1 到 10 分钟的连续生成5，博客里配了一部 10 分钟的成片1。VQQA 相对原始生成，在 T2V-CompBench 上绝对提升 11.57 分、在 VBench2 上提升 8.43 分2。

Co-Director 论文的实现细节写明：搜索预算 T=4，局部细化每处最多重试三次，最后的成片是 4 个镜头、一共 12 秒7。

把这些尺度放回分数里，增益的来源就清楚了。81.4 比最强外部基线 MovieAgent 的 65.3 高出 16.1 分；真正能拆开的是它自家那三格：基础智能体流水线（T=1，只跑一次）68.5，随机搜索（T=4，多跑几遍、不对策略做任何优化）75.7，Co-Director（T=4）81.47。前一段 68.5 到 75.7 的 7.2 分，只来自把同一条流水线多跑几遍再挑一个；后一段 75.7 到 81.4 的 5.7 分，才是多臂老虎机与因子化奖励的贡献7。论文自己的消融指向同一处：去掉关键帧细化，视觉资产保真度掉 9.8 分；去掉全部局部细化与全局优化、只跑一次，平均分降到 67.27。

一致性因此主要买在测试时的"评判—重生成"上：多跑、多看，把有问题的关键帧挑出来重做。这些增益的来源都在生成器之外——Co-Director 的底座仍是 Gemini 3 Pro、Nano Banana Pro、Veo 3.1、Gemini 2.5 Pro TTS 与 Lyria 24，VQQA 自称黑盒、只改提示词2，CANVAS 改的是喂进模型的视觉记忆与场景规划3。例外是 A²RD：它把段间记忆与段间模式切换做进了生成过程，也是唯一把尺度推到 10 分钟的一篇5。

博客的综合评测用了三项新基准，三项都出自被打分的团队：GenAD-Bench 由 Co-Director 团队建，HardContinuityBench 由 CANVAS 团队建，LVBench-C 由 A²RD 团队建1。三条线各建各的、各评各的，评分者就是各自的作者团队。

裁判也是自家的。GenAd-Bench 用 Gemini 3 Pro 当多模态裁判4，而 Gemini 3 Pro 同时是 Co-Director 的底座模型4。论文为此补了一次人类评测来校准：50 个场景、5 名评分者，并列给出人类之间的一致性与模型对人类的贴合度7。四个维度里最弱的一列是视觉质量：模型与人类的 Pearson 相关 0.345、Spearman 0.317，人类彼此之间的对应值是 0.705 与 0.6757。论文的解释是，人按实时播放看，一闪而过的扩散瑕疵并不刺眼，模型逐帧分析则会严格扣分，于是这一列更像一道严格的画质闸门7。其余三维（视觉资产保真度、人群匹配、营销说服力）与人类上限接近7。

还有两处口径值得留意。博客的汇总表把 Co-Director 的提升写成"81.4 对 68.5、+18.8%"，这个对照点是它自家只跑一次的 T=1 基础流水线，架构差异与采样预算差异被放进了同一格1；同一张表还把 VQQA 简写成了 VQA1。按论文 Table 1 的完整对照报数，读者才能自己判断哪一部分算得上新方法。

四篇的 arXiv 全文都可以直接读2345，可运行的产物还不多。Co-Director 提供了一个 GenAD-Bench 的浏览入口8，项目页本身也挂着演示与对照9；CANVAS 的项目页把代码与数据标为"即将发布"10；A²RD 的仓库目前只有一个提交，README 加图片，数据集标着 Coming soon6。

两件事值得等。一件是 12 秒之外的尺度：把成片做到 10 分钟的只有 A²RD 一篇，证据是它的自建基准加一条演示片5，这套"规划—生成—评判—重来"的编排在分钟级长度上是否还成立，目前只见作者自己的验证。另一件是成本：T=4 加上每个局部环节最多三次重试，意味着每条成片要跑多次完整流水线，而博客通篇没有出现任何成本或延迟数字1。做产品的人要判断这套东西能不能用，缺的正是这两个数。