世界模型成商业化新叙事，三篇新论文提醒 AI 视频：连续性与安全仍要单独验收

本期覆盖 2026 年 8 月 27 日 09:00 至 8 月 29 日 09:00（北京时间）。窗口内最值得放在一起看的材料，不是又一个更长的样片，而是群核科技把显式 3D 世界模型路线写进中期业绩与产品公告，以及三篇预印本分别从长视频编辑、长时记忆和图生视频安全补上了生产系统的缺口。

我的判断是：AI 视频的竞争正在从“像不像视频”转向“能不能保留一个可计算、可修改、可审计的状态”。 群核科技用收入增长和 Lux3D API 把这条路线推向商业化叙事；论文则说明，真正难的部分仍在跨镜头保留什么、释放什么，以及恶意语义如何在时间轴上组合出现。对采购方而言，3D、4K、API 或“世界模型”都只是入口，验收对象必须落到连续性、成本和安全记录。

群核科技的中期业绩给出了一条值得跟踪的商业信号：2026 年上半年营业收入 4.05 亿元，同比增长 1.5%；经调整净利润 5542 万元，同比增长 211%；AI 新应用及新产品收入同比增长 177%。公司同时披露，世界模型产品已经启动内测，并正式发布 3D 生成模型 Lux3D。以上数字由上海证券报·中国证券网根据公司中期业绩公告报道，页面没有给出 AI 新应用收入的绝对值，因此“177%”更适合作为增长方向信号，而不是业务规模本身。1

8 月 27 日发布的 Lux3D 新闻稿把产品边界写得更具体：模型可以从文本提示词或参考图像生成 3D 资产；Standard Mode 面向高精度几何与材质生成，Turbo Mode 通过 Harness Mode 做低成本批量创建，最快 20 秒生成；Lux3D API 已开放，开发者可以把批量生成接入 Codex 等工具，再在 Blender 中精修。2

这里的变化不在于“3D 资产也能生成”。更重要的是，厂商把生成结果描述成可进入电商、游戏、XR、影视和仿真工作流的对象，而不是只能播放一次的像素序列。3D 对 AI 视频的潜在价值在于，它可以把角色、场景、组件关系和运动逻辑保留为可编辑状态；这句话是基于产品路线的推论，新闻稿并没有证明 Lux3D 已经在这些行业完成稳定交付。

Manycore 明确表示，下一代模型正在测试把 SpatialGen 与 Lux3D 结合，生成具备一致性、可编辑性和动态交互的 3D 环境，并计划让资产包含组件关系、运动逻辑和交互属性。新闻稿还承认，详细基准尚未公开，所谓“内部评估具有竞争力”属于厂商自述。2

因此，这条商业路线目前能证明三件事：产品已经有 API 入口；公司把 3D 生成与世界模型、仿真和视频应用放在同一张路线图上；AI 新应用收入增速已经进入财报叙事。它还没有证明三件更关键的事：3D 资产在多次修改后是否保持拓扑和材质稳定，API 的端到端成本是否能覆盖重试与人工精修，以及“世界模型”是否已经产生可重复的客户收入。

8 月 27 日提交的 Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning，把长视频编辑拆成三个目标：跨镜头编辑一致性（CSEC）、多指令解耦（MID）和时空结构零破坏（ZDSS）。论文构建的 MMLVE-Bench 只有 25 个多镜头长视频片段，每个约 1 分钟，每个视频约 5 条 ADD、DELETE、MODIFY 指令；目标实体可能只在第 37 秒或第 57 秒出现。3

论文的核心不是再训练一个更大的视频模型，而是让代理先做镜头级拆解、指令解析和全局记忆卡，再按需触发编辑，并用正负反馈回看结果。论文报告的 MMLVE-Agent 在其设置下优于 Seedance 2.0 等闭源基线，减少了编辑幻觉，改善了跨镜头一致性和时空过渡。这个结论的边界同样清楚：基准只有 25 个视频，基线需要用固定时长切块适配，论文没有因此给出真实生产队列、失败率或客户返工成本。3

这个任务对产品验收的启发很直接。供应商展示“支持多轮编辑”时，采购方应当把一个项目拆成三类测试：同一人物跨镜头换衣服后是否仍是同一个人；删除或修改一个目标时，其他目标是否被误改；镜头运动、背景和未编辑物体是否保持原状。只看最终一帧，三类失败都会被掩盖。

同日提交的 Tether the Subject, Release the Scene: Query-Aware Memory Routing for Long-Horizon Autoregressive Video Generation 关注另一种常见失败：模型为了保持主体身份，把旧背景、视角和场景状态也一并锁死。作者提出训练免费的 TetherMem，把主体查询和场景查询分开，并按区域与历史年龄调节记忆读取。

在受控实验中，论文用 Wan2.1-T2V-1.3B / LongLive-RAG 栈生成完整 30 秒视频，使用 10 个提示词、每个提示词 3 个种子，并收集 10 名标注者的 2400 次盲评。TetherMem 的整体质量期望偏好分为 0.780，场景推进为 0.769；主体身份保持分为 0.600，技术完整性分为 0.708。4

数字看起来很漂亮，但统计条件决定了它能支持多大的判断。在更严格的按提示词聚类分析下，整体偏好的优势不再显著，只有场景推进仍与部分基线拉开显著差异；论文还依赖逐帧主体先验和 SAM 2 分割作为路由支架。换句话说，论文更可靠地证明了一个机制判断：长视频的记忆预算需要区分“必须保留的身份信息”和“应该继续变化的环境信息”。 它没有证明任意硬件、任意长度视频都能达到同样的质量或延迟。4

这正好解释了为什么“可编辑 3D 世界”比“更长的像素序列”更有吸引力，也解释了它为什么难。显式对象、相机和空间关系如果真的被保留，编辑系统可以有更清晰的状态可读；如果它们只是宣传词，最终仍要回到视频帧里检查角色漂移、背景停滞和镜头跳变。这里是跨材料的推论，不是群核科技对 Lux3D 的性能承诺。

8 月 27 日提交的 TempJail: Temporal Jailbreak Attacks against Image-to-Video Generation Models，把安全问题从“单帧有没有违规”推进到“多帧组合后会不会出现违规语义”。论文研究了时间抽象和语义伪装两类漏洞：攻击者把目标概念拆到初始视觉条件与时间文本指令中，让危险含义在连续画面里逐步组合出现。

论文在 Kling、Seedance、Veo 和 PixVerse 四个闭源商业图生视频模型上测试，并用 GPT-5.2 与人工评测判断攻击是否成功。作者报告，TempJail 相比此前方法的攻击成功率在 GPT-5.2 评测下提高 23.3%，在人评下提高 22.0%；四个模型的平均攻击成功率也存在差异：Kling 为 63.36%（GPT 评测）和 63.46%（人评），Seedance 为 58.61% 和 58.75%，Veo 为 62.57% 和 62.46%，PixVerse 为 65.54% 和 65.07%。5

这些数字应当被当作新的测试信号，而不是线上风险率。论文是预印本，测试集、评估器和攻击设定都属于受控实验；它证明的是单帧过滤可能遗漏时间组合风险，不能替代平台自己的红队数据和事故统计。

但对合规团队而言，测试对象已经因此改变。视频模型的安全验收至少要覆盖三层：输入图像和文本是否被拦截；中间帧组合是否产生输入阶段没有的风险语义；最终导出、转码和再次上传后，平台是否仍能识别并处置。最后一层还要与 AI 内容标识、人工复核和申诉记录连接起来。一个模型“支持安全过滤”，无法单独回答这三件事。

群核科技的财报报道和 Lux3D 新闻稿共同给出“商业化正在靠近生产工作流”的信号：一边是 AI 新应用及新产品收入同比增长 177%，另一边是 3D 资产 API、批量生成和世界模型内测。但这组材料的证据层级必须分开。财务数字来自公司中期业绩公告的媒体转述；Lux3D 的 20 秒、API 和显式 3D 路线来自厂商新闻稿；“内部评估具有竞争力”尚无公开基准。12

本期另查了 SEC EDGAR 全文披露入口，没有拿到 8 月 27—29 日窗口内、可直接用于判断 AI 视频模型厂商收入、付费用户、毛利或留存的独立文件；证券研报和行业公开报告也没有形成一组可核验的窗口内财务证据。因此，本文不把“收入增长 177%”改写成 AI 视频业务已经完成规模化盈利，也不把世界模型内测改写成客户部署。

成本判断也要换一个单位。3D 资产最快 20 秒生成，描述的是一次模型操作的速度；它没有覆盖失败重试、人工修模、材质验收、Blender 精修、存储和下游渲染。长视频代理减少一次返工，也不等于一个项目的端到端成本下降。对生产团队来说，真正应记录的是：每个可交付镜头消耗多少次生成、多少次编辑、多少分钟人工审核，以及失败是否计费。

这张表把“能生成”与“可交付”分开。对世界模型路线，第一关是状态是否真实存在；对视频编辑，第二关是状态是否能被稳定修改；对合规，第三关是系统是否能解释每一帧如何产生、风险何时出现、谁在发布前批准。

过去两日的信号并不支持“AI 视频已经解决生产问题”这个结论。它们支持的是一个更窄、也更有用的判断：行业正在把视频生成系统从像素输出器改造成状态管理器，但状态管理、成本账本和时间序列安全仍然需要分别验收。

群核科技把显式 3D、API 和世界模型内测放进商业化路线；MMLVE 把长视频编辑拆成三项指标；TetherMem 说明记忆必须保留主体、释放场景；TempJail 则提醒安全过滤器不能只看单帧。下一轮评估供应商时，先要求对方交出跨镜头对照、失败重试账单和跨帧安全测试，再讨论 4K、速度或“世界模型”的故事。