电影感视频生成正从单镜头炫技走向多镜头叙事，但底下藏着一个更隐蔽的问题：现在的架构里，多模态大模型（MLLM）经常被视频生成模型直接绕过。
论文的观察很直接：DiT 自带原生文本编码器和 VAE 参考图通道，只要这些通道够用，模型就能自己把生成损失降下去，不必认真读 MLLM 的隐藏状态。实测最能说明问题——把条件换成只用 MLLM latent 时，Omni-Video 2 (1.3B) 直接吐噪声，14B 和 UniVideo 则产出明显伪影，甚至把同一个人连续动作演成两个人各干各的。
三段训练，各自治一个病
港科大 MMLab、腾讯视频与法国 LIX 联合署名的 FAPL（Factor-Aware Predictive Learning）不加任何架构改动，只用三段训练把 MLLM 拉回主干道。
Stage I：先把生成器掰到只能用 MLLM。 冻结 MLLM 和 connector，关掉独立的文本编码器与 VAE 参考通道，把 MLLM 投影后的 latent 当作唯一内容条件训练 DiT。稀疏观测保持有限输入也能生成的兼容性，稠密观测把视觉与时序信息压进这条通路。
Stage II：用成对视频教「只改该改的」。 角色、场景、动作、镜头运动被拆成结构化描述里的四段文本。成对视频给出「目标因子要变、其余要保」的关系，训练时在 connector 之后、DiT 之前，把配对样本中对应因子的整段 latent 换掉（不要求等长，mask 同步更新），再让 DiT 对着目标视频学习。作者说明，这不假设四种因子已解耦。
Stage III：反过来训 MLLM。 冻结训好的 DiT，联合优化 MLLM 和 connector，用「纯文本」和「文本加完整视频」两种观测共享同一目标视频。纯文本一路逼 MLLM 从稀疏证据推断时序，完整视频一路保证重建不退化；因为 DiT 固定，梯度仍穿回上游更新，无需同步改解码器。
数字：赢在编辑，输在动作
同口径下 FAPL 相对基座 UniVideo (13B)：Motion Order 从 48% 提到 61%，平移误差 0.0763 降到 0.0586，旋转误差 1.54 降到 1.02 弧度，因子编辑 ∩-Acc 从 42% 提到 58%，跨镜头 FaceSim-Arc 从 0.451 升到 0.523。参数更大的 Omni-Video 2 (14B) 只有 43% 与 37%。
消融表有一行反直觉：加入因子段替换后，∩-Acc 从 48% 跳到 57%，但 Motion Order 反而从 54% 微降到 53%，两项镜头误差也略微变差。论文的解释是，这段收益集中在因子编辑上，不指望顺带改善时序。
训练成本：三段分别 10K、15K、10K 步，AdamW 1e-5，BF16，共享 100K 条质量过滤后的视频对（每因子 25K）；推理 50 步采样，CFG 5.0。
所以呢
收尾句是：找对瓶颈，能带来可观增益而不需要增加架构复杂度。分量在于——视频生成这两年堆 DiT 规模、采样步数、参考图通道，而 MLLM 有没有被真正用上，此前一直被当成理所当然。
作者也承认边界：当前 MLLM 读不懂 3D blockout、推不明白复杂运镜，预训练 DiT 的视觉保真度仍限死复杂表演。推理与生成互相喂养的闭环，目前只见轮廓。
论文与完整表格见 arXiv:2610.30926。