长视频生成最尴尬的一幕:每个镜头单独看都不错,连成一部片子就穿帮——角色换了衣服,房间换了布局,昨天发生过的事今天演成了另一版本。单镜质量卷到 0.99 的今天,瓶颈早就不是「画得像不像」,而是「记不记得住」。
此前的多镜流水线靠在镜头间传 prompt 或最近几帧维持连贯。浙大联合 Monash、UC Berkeley BAIR 与阿德莱德大学的团队指出:传 prompt 给不出共享空间参照系,传几帧也给不出按时间索引的事件记录——回到同一场景,模型不知道房间长什么样;重演旧事件,找不到那段动态证据。他们的答案叫 ATAS(Any Time, Any Space),10 月 14 日挂上 arXiv,次日登顶 Hugging Face Daily Papers,目前 271 赞。
框架:编译剧本,维护世界
ATAS 的核心对象是一个持久世界状态。一个「世界状态编译器」先把剧本递归拆分成带边界的分镜请求——每条请求显式携带场景、空间锚点、机位、时间段与可选事件,描述部分才是给视频模型的 prompt。生成前,请求向两套记忆检索证据:场景记忆存放已配准的静态几何,以点云形式挂在一个共享坐标系里;事件记忆存放按场景、事件、时间索引的动态观测。生成后,新镜头要经过重建、配准与审查三道关卡,全部通过才写回世界状态。
一个耐人寻味的工程设计:成片与记忆解耦——镜头可以留在电影里,但如果观测质量不过关,它不会成为后续镜头的证据。脏数据不进记忆,这是数据库工程师都懂的纪律。
跑分:四个基座全面领先
团队在 MiniMax-H3、Wan 2.7、Wan 3.0、HappyHorse 1.0 四个基座上,把 ATAS 与 ReCA 等五种方法同场对比,综合分全部第一:Wan 3.0 上 0.734 对 ReCA 的 0.648,MiniMax-H3 上 0.702 对 0.659,HappyHorse 1.0 上 0.694 对 0.656,Wan 2.7 上 0.656 对 0.612。优势最大的是跨镜一致性指标:Wan 3.0 上 ST-Bench 0.719 对 0.602,ViStory-Cross 0.584 对 0.481。
两个针对性协议更能说明问题:空间重返测试(回到去过的场景与目标图比对)中,ATAS 的 PSNRC 达 15.968,优于 ViewCrafter 的 15.255 与全部 agent 基线;事件重摄测试中事件身份、时间顺序、视角实现三项领先,ReCA 仅在动作与状态一项略高(0.700 对 0.688)。人类盲评上,ATAS 六项标准均值全部第一:剧本忠实度 4.40、角色一致性 4.22;最强基线 ReCA 的区间是 2.62 到 3.67。
代价:省了重试,花了算力
记忆不是白来的。消融显示,从无记忆到完整世界状态,单故事墙钟时间从 51.9 分钟涨到 64.9 分钟,吞吐从每小时 7.28 镜降到 6.21 镜,每镜记忆开销 98 秒;换来的是每镜重试从 1.00 次降到 0.54 次,审查拒绝率从 52.6% 降到 36.8%。另一个细节:状态准入检查的松紧存在甜蜜点——默认设置准入 67.4% 时三项指标最好,过松(90.0%)与过严(36.0%)都掉分。放太多脏数据与拒掉好数据,代价对称。
代码与结果已按 MIT 协议开源(arXiv:2610.20571,GitHub:ziplab/ATAS)。
所以呢?当单镜生成接近饱和,竞争正在转向「状态管理」——谁能维护一个可信的共享世界,谁才能把 AI 视频从素材生成器变成叙事工具。ATAS 把数据库式的准入纪律带进了生成管线,这个思路比跑分本身更值得抄。