想象这样一幕：一位老画师接下了绘制一公里长卷壁画的活儿。他不可能一口气画完，只能把巨幅长卷分成几十个段落，一段一段地画。可问题来了——画完第二段时，第一段的墨迹已经干了，两段相接的地方，要么颜色对不上，要么山水的走势忽然断掉。为了让长卷连贯，画师得在每一段落笔前，反复揣摩上一段的笔触和色彩走向，甚至在衔接处留出“过渡带”，用几笔淡墨把两段融在一起。AI生成长视频，面对的正是同一道难题：模型一次只能生成几秒钟的片段，但我们要的是一条几分钟甚至更长的、在时间上浑然一体的视频。怎么把一个个短片“无缝拼接”成一条连贯的时间长河？这就是长视频生成连贯性技术的核心命题——它包含着如何巧妙地分块生成、如何在块与块之间施加时序约束、又如何在接缝处设计平滑过渡的一系列智慧。
这项技术是AI视频生成从“短片段炫技”走向“长叙事落地”的钥匙。掌握它，你就能在视频生成系统的研发中，真正解决“生成得出来但连不上”的工程痛点，成为一名能交付完整产品的算法工程师。
可视化演示
展示长视频生成连贯性三模式：分块策略六块时间轴分割生成拼接融合、时序约束关键帧传播与一致性矩阵、过渡算法交叉淡入运动补偿光流变形，动态呈现AI长视频从分块到连贯的完整技术链路。
本节配有交互动效（进入视口后自动加载，约 3KB）。
分块生成四阶段策略 SPL: 视频分割为6块，每块独立生成后拼接 BLD: 块间过渡区域融合，保证连贯性85% Video = Stitch(Chunk_1...Chunk_n) 6个分块，总时长120s，连贯性85%
问题定义：长视频与短视频的差异
老画师心里清楚，画一尺长的扇面和一里长的壁画，根本不是同一种难度的活计。扇面可以一气呵成，但壁画必须分段。AI生成视频也一样——目前最先进的视频生成模型，一次推理也只能输出几秒到十几秒的片段。这背后是算力的硬约束：视频的每一帧都是一张高分辨率图像，帧与帧之间还要保持运动连贯，模型在生成时需要同时“惦记”几十上百张画面的所有像素，计算量随着时长急剧膨胀。所以，想要一段几分钟的长视频，我们几乎不可能指望模型“一口吃成胖子”。
于是，“长视频”这件事，天然被拆成了两个子问题：一是怎么把长视频切成可以处理的块；二是怎么保证切出来的块拼回去之后，看起来仍然是一整条时间线。前者是分块生成策略，后者是时序约束与内容过渡。理解长视频的问题，关键是理解“时间一致性”——短视频里，一个物体消失一帧再出现，观众可能注意不到；但在长视频里，这种“失忆”会不断累积，最终变成离谱的画面崩坏：主角的肤色变了、衣服换了、背景里的建筑物消失了。
这就像老画师画山水：如果第一段画的是春天，第二段却忘了春天的色调，直接画成秋天，观众立刻就会觉得“断裂”。这种随着时间推移、内容逐渐偏离最初设定的现象，我们称之为主题漂移。它是长视频生成最需要警惕的敌人。本质上，长视频生成连贯性技术要做的一切，都是围绕“如何让后续的每一块都记得前面发生了什么”展开的。
回到画师的比喻：漂移度就像一个监工，拿着第一天的画稿，每隔一段就去比对当前画面和画稿有多少不同。它把“感觉上连不连贯”这种模糊感受，变成了一个可测量、可追踪的数值。
- 特征提取用神经网络 $f$ 把每一帧 $\mathbf{x}_t$ 压缩成一个语义特征向量，让“画面长什么样”变成一个可计算的坐标。
- 逐帧求差把第 $t$ 帧的特征与第 $0$ 帧的特征做差，得到这一帧偏离起点的“位移量”。
- 取平均把所有帧的偏离量加起来除以总帧数 $T$，得到一个整体漂移的标量指标。
分块生成策略
老画师在长卷上定了策略：不凭感觉随手画，而是先在墙上打好格子，每格一丈，一格格推进。AI 生成长视频，第一道工序同样是“打格子”。最朴素的做法是沿时间轴切块：把一条 60 秒的目标视频，均匀切成长度相等的 12 个 5 秒块，逐块交给视频生成模型去生成。
但这里有个细节：块与块之间不能是“一刀切”的。想象两块壁画硬碰硬地拼接，中间连 1 毫米的重叠都没有——只要颜料稍有一丁点溢出，接缝处就会出现一道难看的棱。视频生成同理，所以聪明的方法是让相邻块拥有一段跨块重叠窗口。比如块 1 生成第 0～5 秒，块 2 不直接从第 5 秒开始，而是从第 4.5 秒开始生成，生成第 4.5～9.5 秒的内容。这样两块共享了 0.5 秒的画面，拼接时就有了回旋余地——用重叠区域的信息去对齐两块的风格和运动。
更稳健的工程方案，是自回归链条生成：先完整生成块 1；然后以块 1 的最后几帧为条件，生成块 2；再以块 2 的末尾为条件，生成块 3……一环扣一环，节节推进。这就像老画师每画完一段，都要退后几步，盯着上一段的结尾揣摩半晌，才落下下一段的第一笔——后一段的起点被前一段的终点牢牢“锚定”。
不过，自回归链条也有它的隐患：错误会沿着链条向后传播。块 3 里如果有一帧画崩了，块 4 会忠实继承这个崩坏，并在此基础上继续恶化。所以，科学家们引入了后面要讲的“时序约束机制”来给链条装刹车。分块策略解决的是“切得动”的问题，而切完之后怎么拼得好，是下一节的主角。
用画师的眼光看，这个公式就像是在两张画布之间先画了一笔“引线”——后一张画布的第一笔颜色，永远是从前一张画布最后一笔的笔尖上接过来的。
- 块的末尾状态$\mathbf{z}_k^{\text{end}}$ 是第 $k$ 个视频块在时间上最后几帧的隐状态，它浓缩了前一块结尾时的画面、运动和风格信息。
- 条件生成$\mathcal{G}(\cdot; \theta)$ 是带参数 $\theta$ 的视频生成模型，它把“前一块末尾状态”作为额外输入条件。
- 接力公式第 $k+1$ 块的起始状态等于生成器在前一块末尾条件下的输出，从而让相邻块在接缝处共享记忆。
时序约束机制
有了分块的“骨架”，接下来要给每一块画上“准绳”。老画师在长卷上拉了一根水平墨线，提醒自己所有楼阁的屋顶都要对齐这条线——这就是约束。时序约束机制，就是给视频生成模型装上一把“记忆尺”，强制它在生成新块的时候，参考已经生成的内容。
第一种常用手段是上下文条件注入：不改变模型结构，只是在生成第 $k+1$ 块时，把前一块的最后几帧作为额外的输入张量，与当前待生成的初始噪声拼在一起，喂给模型。它让模型“看得见”前文，从源头减少接缝处的突变。就好比让新画师先围着上一段的壁画走一圈、临摹几笔，再让他动笔画下一段。
第二种是特征匹配约束。仅仅把画面喂进去还不够，因为模型可能“看了但没记住”。特征匹配的思路是：在训练时增加一项损失函数，要求“当前块开头几帧的特征”与“前一块结尾几帧的特征”在语义空间里足够接近。这相当于在墨线之外，又拿圆规量了一遍楼阁的间距，确保每一段屋顶不仅对齐，连飞檐翘角的角度都一致。
第三种是光流先验引导。光流（Optical Flow）描述的是像素点在两帧之间的运动方向和速度。如果前一块最后一帧里，一只鸟正从左向右飞，那么下一块的第一帧里，鸟必须出现在画面偏右的位置，而且翅膀的扇动相位应该衔接得上。光流先验就是把这个“运动应当连续”的物理常识，编码成模型的一个引导项，限制画面的运动轨迹不要出现不自然的跳变。
回到画师的画面：光流约束就像一套“透视法则”——远处的山往左移，近处的树必须跟着往左移，而且速度要成比例。有了这条法则，画面的运动才不会像鬼片里那样突然闪现。
- 光流计算$\mathbf{O}_t$ 是第 $t$ 帧到第 $t+1$ 帧的光流场，它记录了画面里每个像素的移动方向。
- 按流扭曲$\mathbf{W}(\mathbf{F}_t, \mathbf{O}_t)$ 表示用光流场 $\mathbf{O}_t$ 把当前帧 $\mathbf{F}_t$ 的每个像素“搬到”它下一时刻应该出现的位置。
- 一致性损失扭曲结果与真实下一帧逐像素求平方差并求和，模型被要求生成的光流必须能解释真实的运动。
内容过渡算法
即使有了分块和约束，“接缝”依然是长视频最脆弱的地方。老画师的高明之处在于，他会在两段壁画的衔接处，用淡墨画一片云雾——既遮住了接缝，又让两段景物在云雾中自然交融。内容过渡算法干的就是“画云雾”的活。
最经典的过渡方法是潜在空间插值。视频生成模型在内部并不直接操作像素，而是把画面压缩到一个高维“潜在空间”里。既然前一块的结尾和后一块的开头各自对应潜在空间里的一个点，那我们就可以在这两点之间连一条直线，然后从直线上“取中间点”作为过渡帧的起点。这样生成的过渡内容，既带有前一块的余韵，又暗示了后一块的方向，观感上就像镜头缓缓推过一片渐变的光影。
另一种思路是时序平滑滤波。把拼接后的完整视频看作一条沿着时间轴变化的信号曲线，如果接缝处出现了明显的“毛刺”（即突兀的跳变），就用一个低通滤波器把毛刺削平。这类方法简单有效，尤其适合处理两段色彩或亮度风格不一致的情况。它的代价是有可能牺牲一点清晰度——就像用橡皮擦擦掉壁画接缝处的多余颜料时，不小心也会擦淡周围的颜色。
更聪明的是场景切换检测。不是所有长视频都要求“无缝衔接”——如果剧情本来就该切场，硬把两段揉在一起反而显得诡异。所以，算法先自动检测两段内容在语义上是否属于同一个场景：如果是同一个场景内的延续，就用插值和平滑做过渡；如果检测到明显的场景切换（比如从室内切到室外），就保留明确的切点，甚至主动在切点处加一个自然的镜头切换效果。这就好比画师画到长卷的转角处，会刻意留白并题一行诗，告诉观者：“此处起，是另一段山河了。”
画师在接缝处“画云雾”的手艺，到这里就全明白了：潜在空间插值是从内容层面揉合两段风格，时序平滑滤波是从信号层面抚平跳变，而场景切换检测是聪明地判断“该揉的时候揉、该切的时候切”。
- 起点与终点$\mathbf{z}_{\text{prev}}$ 和 $\mathbf{z}_{\text{next}}$ 分别是过渡区间两端的关键帧在潜在空间中的坐标。
- 插值权重$\alpha$ 是 0 到 1 之间的比例因子，决定过渡帧更“像”前一块还是更像后一块。
- 线性混合$(1 - \alpha)$ 倍的起点坐标加上 $\alpha$ 倍的终点坐标，得到一条从起点到终点的平滑路径。
评估体系
壁画完工后，如何判断它到底连不连贯？光靠老画师自己“感觉不错”是不够的，需要一套客观的验收标准。长视频连贯性的评估体系，就是这套验收标准。
最早的自动评估指标沿用视频生成领域的经典工具：FVD（Fréchet Video Distance） 和 CLIP 分数。FVD 的做法是：把真实视频和生成视频分别用同一个视频特征提取器映射到特征空间，然后比较两个特征分布之间的差距。如果生成视频的特征分布与真实视频高度重叠，说明生成质量高。CLIP 分数则衡量视频画面与文本描述之间的语义吻合度——检查“视频里画的是不是提示词要求的内容”。但这俩指标主要衡量“单帧画质”和“整体语义”，对“时间上连不连贯”的敏感度有限。
于是研究者引入了人工时序评分。请一批标注员，把长视频随机截出若干段 8～10 秒的短片，让标注员对每一段打出“连贯性评分”（比如 1～5 分）。人工评分能捕捉到机器难以量化的微妙崩坏——比如人物的姿态虽然位置没变，但莫名其妙地“抖了一下”。它是目前最接近真实观众感受的评估方式。
长程漂移度量则是专门针对“越往后越崩”问题的定量指标。它沿时间轴把视频切成多段，分别计算每一段的内容特征与第一段的距离，画出“漂移曲线”。如果曲线平缓，说明视频全程守住了初始设定；如果曲线陡峭上升，说明模型到了后期已经“忘了自己最开始在画什么”。这类指标的意义不仅在于“打分”，更在于定位问题——让开发者知道崩坏是从第几秒开始累积的。
FVD 就像画师的验收官：他不仅看壁画整体色调正不正，还要看壁画里有没有丰富的细节层次——不能全卷都是蓝天，也不能全卷都是乱石。
- 特征分布真实视频的特征被建模为一个高斯分布 $(\mu_r, \Sigma_r)$，生成视频的特征建模为另一个高斯分布 $(\mu_g, \Sigma_g)$。
- 均值距离$\|\mu_r - \mu_g\|_2^2$ 衡量两个分布中心的偏移，中心靠得越近，生成视频的整体风格越接近真实视频。
- 协方差匹配$\operatorname{Tr}(\cdots)$ 项衡量两个分布的“形状”是否相似——真实视频里既有静态场景也有激烈运动，生成视频不能只拍一种。
未来方向
万里长卷画完了，但画师的手艺还在进化。长视频生成连贯性技术同样有一批正在探索的方向。
扩散模型长程扩展是当前最受瞩目的前沿。扩散模型（Diffusion Model）通过“去噪”过程生成视频，每一步迭代都在细化画面。现有方法的限制在于，一次去噪过程能覆盖的帧数有限。研究者们正在设计“分段时间步去噪”的架构：让不同时间段的视频共享同一个噪声估计网络，但在时间维度上引入层级化的注意力机制，让模型在降噪时能同时“看到”很远之前的帧。这相当于给画师配了一副透视镜，让他画第 50 段的时候，还能清楚地记得第 1 段的笔触。
多模态协同约束的思路是把文本、音频、甚至摄像头捕捉的 3D 运动信息一并接入生成流程。长视频通常伴随旁白或背景音乐，音频信号天然带有强时间结构——如果模型能参考音频的节奏和情绪走向来约束画面的变化，那么画面在不同段落之间的连续性会大大增强。好比画师不仅对着画稿，还听着一段描述长卷故事的民谣，旋律到了高潮，笔触也随之变得热烈。
实时交互生成则是面向未来应用的愿景：用户一边看视频，一边用自然语言命令修改后续剧情走向，而系统需要在极短的延迟内重新规划并续写后面的画面。这对连贯性技术提出了全新挑战——不仅要在离线情况下拼好一段视频，还要在互动过程中实时维持一致性。它要求分块策略、时序约束和过渡算法全部达到实时级别，目前的算力还远远不够，但一旦突破，AI 长视频将真正走进影视制作和互动娱乐的日常。
画师的工具箱越来越丰富——从简单的分段拼接，到墨线准绳，再到云雾过渡、验收标准，最后到传说中的“透视镜”和“民谣谱”。长视频生成连贯性技术，正是在这一件件工具的打磨中，从“能把长卷画出来”走向“能把长卷画得浑然一体”。
- 重建损失$\mathcal{L}_{\text{recon}}$ 是模型输出的视频与目标视频逐帧对比的误差，确保生成画面本身足够真实。
- 光流损失$\mathcal{L}_{\text{flow}}$ 项强制运动轨迹符合物理规律，避免像素乱跳。
- 特征与文本损失$\mathcal{L}_{\text{feat}}$ 约束前后块的特征一致，$\mathcal{L}_{\text{text}}$ 约束画面与文本提示语义匹配，$\lambda$ 是各损失的权重系数。
AI 应用场景
影视级 AI 预演系统
阶段：视频生成与后期制作
解决的问题：传统影视预演（Previsualization）需要导演、分镜师和三维动画师共同协作，用低精度模型手动摆放机位和角色走位，制作一段 3 分钟预演视频往往要一到两周。AI 生成虽然快，但生成的片段一长就崩——角色服饰、场景光照在不同镜头间对不上。
具体案例：某动画工作室引入长视频连贯性技术：先用低分辨率生成 60 秒“草稿长卷”，再用时序约束机制锁定主角服装特征、场景光照方向，用内容过渡算法在镜头切换处做潜在空间插值。最终预演视频从两周缩短到半天，导演可以快速迭代剧情。
交互式数字人长对话视频
阶段：实时生成与推理
解决的问题：数字人直播或在线教育中，需要数字人长时间保持同一形象、同一嗓音、同一背景，且动作表情随语义连贯变化。传统方案用预录视频拼接，遇到用户提问无法实时回应；AI 实时生成又容易在几秒后出现“变脸”。
具体案例：某在线教育平台让数字人讲师依据教材生成一段 20 分钟讲解长视频。系统采用分块生成 + 自回归链条，每一块的起点都锚定上一块结尾的画面，并用 CLIP 分数实时校验数字人的服饰与场景描述是否漂移。一旦发现漂移超过阈值，自动触发场景切换检测，用过渡算法把画面平滑拉回预设形象。
Python 演示
import mathimport random def generate_block(seed, length): """生成一个基础视频块，用正弦波模拟画面特征的时序变化。""" random.seed(seed) phase = random.uniform(0, 2 * math.pi) frames = [] for i in range(length): value = math.sin(i * 0.3 + phase) * 10 + 50 frames.append(value) return frames def stitch_with_overlap(blocks, overlap_len): """分块拼接：保留重叠区，重叠区做线性插值过渡。""" stitched = [] for idx, block in enumerate(blocks): if idx == 0: stitched.extend(block) else: prev_tail = stitched[-overlap_len:] new_head = block[:overlap_len] transition = [] for k in range(overlap_len): alpha = k / overlap_len transition.append((1 - alpha) * prev_tail[k] + alpha * new_head[k]) stitched = stitched[:-overlap_len] stitched.extend(transition) stitched.extend(block[overlap_len:]) return stitched def evaluate_continuity(frames, window=5): """评估连贯性：计算相邻窗口均值差的平均绝对值。""" diffs = [] for i in range(window, len(frames) - window): before = sum(frames[i - window:i]) / window after = sum(frames[i + 1:i + 1 + window]) / window diffs.append(abs(after - before)) return sum(diffs) / len(diffs) def main(): # 生成 4 个独立的"视频块"，每块 20 帧 blocks = [generate_block(seed, 20) for seed in range(4)] # 不处理重叠，直接拼接 naive = [f for block in blocks for f in block] # 使用重叠窗口 + 线性插值过渡进行拼接 smooth = stitch_with_overlap(blocks, overlap_len=6) naive_score = evaluate_continuity(naive) smooth_score = evaluate_continuity(smooth) print("朴素拼接的连贯性偏差: {:.4f}".format(naive_score)) print("重叠过渡拼接的连贯性偏差: {:.4f}".format(smooth_score)) print("过渡让偏差降低了 {:.1f}%".format( (naive_score - smooth_score) / naive_score * 100)) if __name__ == "__main__": main()
random.seed(seed)让每个视频块有确定性的初始相位，模拟不同块之间的风格差异。generate_block(seed, length)生成一个模拟视频块，用三角函数曲线表示画面特征随时间的变化。stitch_with_overlap(blocks, overlap_len)实现跨块重叠窗口：保留前一块末尾与后一块开头共有的重叠帧。alpha = k / overlap_len线性插值权重从 0 到 1 递增，模拟正文中潜在空间插值的过渡方式。evaluate_continuity(frames, window)用相邻窗口均值差评估跳变程度，相当于一个极简的连贯性漂移度量。naive_score` vs `smooth_score直接对比有无过渡算法的差异，量化展示技术带来的改善。
常见误区
误区我觉得长视频生成就是把短视频生成模型的采样步数调多、帧数调大，让它在一次推理里一口气输出几百帧。既然模型能生成 5 秒，那让它生成 50 秒应该只是时间问题。
正解视频生成模型的前向传播计算量随帧数近似线性增长，但显存占用和优化难度会急剧膨胀。更关键的是，随着时间步延长，自回归式的误差累积会让画面在几十帧之后彻底失控。真正的长视频并不是靠“一次生成更长”，而是靠分块生成 + 时序约束来“接力”。就像老画师不可能一口气画完一公里壁画，他必须分段绘制，并在分段处精心设计接缝。
为何常见：短视频生成模型的界面里通常有一个“时长”参数，拖动滑块就能调节输出秒数，让人误以为时长只是量变。实际上，模型对长时间依赖的建模能力上限是质变——它很难通过简单调参来越过。
误区既然跨块重叠窗口能帮助对齐两段视频，那我把重叠区设得越长越好，比如块长 5 秒就重叠 4 秒。重叠越多，信息越充分，过渡应该越丝滑。
正解重叠窗口过长会带来两个副作用。第一，计算量增大——重叠区是重复生成的，白白消耗算力。第二，如果前后两块在重叠区出现语义冲突（比如前一块结尾屏幕上有一只猫，后一块开头同一区域却画了一条狗），较长的重叠区会让模型在“到底该延续猫还是延续狗”之间摇摆，反而加剧接缝处的扭曲。重叠窗口应当覆盖模型需要的“记忆范围”，通常是 0.5～1 秒，而不是越长越好。
为何常见：直觉上“信息越多越好”，但在生成模型里，矛盾的信息比缺失的信息更危险。这就像两块壁画的重叠部分画了两条不同的河流，重叠越宽，观者越容易看清两条河对不上。
误区评估长视频质量时，我只关心 FVD 分数。FVD 是权威指标，只要它够低，说明生成视频和真实视频在分布上很接近，应该就足够连贯了。
正解FVD 主要衡量的是生成视频整体的帧质量分布与真实视频的差距，它对“时间上的错乱”并不敏感。一段 100 帧的视频，哪怕把第 40～60 帧随机乱序排列，FVD 也可能几乎不变——因为帧本身的画质没有下降，只是顺序乱了。长视频连贯性需要人工时序评分和长程漂移度量来补充：人工评分捕捉真实感知，漂移度量捕捉“越到后面越崩”的累积效应。就像壁画验收不仅要看单块墙皮的成色，还要退远看整条长卷的山脉走势是否一气贯通。
为何常见：FVD 是早期视频生成论文中最常用的指标，许多人习惯性地把它当作“唯一真理”。但它设计的初衷是评估短视频的帧质量，搬到长视频任务上属于“用错了尺子”。
面试题
Q1. 长视频生成为什么不直接用单个视频生成模型一次生成长片段？
- A.单次生成受算力与显存限制，且误差会随时间累积← 正确答案
- B.长视频的题材通常不适合自动生成
- C.视频生成模型无法理解文本提示词
- D.长视频的帧率标准与短视频不同
答案：A。单次生成长视频的核心障碍是算力限制和误差累积。模型一次能处理的帧数受显存约束，而且按序生成时前后帧之间的依赖错误会逐帧放大。就像画师无法一次性画完一公里壁画——不是不愿意，而是真画不完、也画不好。
Q2. “分块生成”中，跨块重叠窗口的主要作用是什么？
- A.减小视频文件体积
- B.为相邻块提供对齐信息，让拼接更平滑← 正确答案
- C.提高视频帧率
- D.避免模型过拟合
答案：B。重叠窗口让相邻两块共享一小段画面内容，拼接时可以根据共享区域的信息对齐风格、光照和运动方向，从而降低接缝处的跳变感。这就像壁画拼接处故意留出的“引线”，让两块画布在重叠处找到共同语言。
Q3. 自回归链条生成方式的主要隐患是什么？
- A.生成速度太慢
- B.错误沿链条向后传播，后块继承前块的崩坏← 正确答案
- C.无法使用文本提示词
- D.生成结果缺乏多样性
答案：B。自回归链条生成中，每一块的起点都锚定上一块的末尾，因此上一块中的任何缺陷都会忠实地传入下一块并逐步放大。这个“滚雪球”效应来自生成过程中没有额外的纠错机制，就像画师如果第二段把山画歪了，后面所有以它为参照的山脉都会跟着歪。
Q4. 光流先验在时序约束中的核心作用是什么？
- A.压缩视频文件的编码尺寸
- B.确保相邻帧像素的运动轨迹符合物理连续性← 正确答案
- C.自动为视频添加字幕
- D.将彩色视频转为灰度视频
答案：B。光流描述了像素在两帧之间的运动向量，光流先验要求“用当前帧和光流场预测出的下一帧”与“真实的下一帧”足够接近，从而把运动的物理规律编码进生成过程。它约束的是时间维度上的运动平滑性，就像用透视法则约束画面里远近景物的相对移动速度。
Q5. 在潜在空间中对两段视频的端点做线性插值时，α 的含义是什么？
- A.α 是视频的帧率大小
- B.α 是过渡帧中前一块特征所占的权重系数← 正确答案
- C.α 是生成模型的采样步数
- D.α 是损失函数的正则化系数
答案：B。插值公式为 z(α) = (1−α)·z_prev + α·z_next，α 从 0 增大到 1 时，过渡帧的特征从前一块端点平滑走向后一块端点。α 越小过渡帧越像前一块，越大越像后一块。它相当于从壁画前段到后段之间“云雾”逐渐把后段景色显露出来的程度。
Q6. 评估长视频连贯性时，FVD 的主要局限是什么？
- A.计算速度太慢，无法在工程中使用
- B.对时间维度的顺序错乱不敏感← 正确答案
- C.只能评估 5 秒以内的短视频
- D.需要人工标注大量数据
答案：B。FVD 比较的是生成视频与真实视频在特征分布上的整体差异，它衡量的是帧质量分布而非帧间顺序。即使把视频中间若干帧倒序排列，FVD 分数也可能不变。所以它必须配合人工时序评分、漂移度量等专门针对时间连贯性的指标来使用。
Q7. 以下哪些属于长视频生成内容过渡算法的技术手段？
- A.潜在空间插值← 正确答案
- B.时序平滑滤波← 正确答案
- C.场景切换检测← 正确答案
- D.视频分辨率超分
答案：ABC。潜在空间插值在特征层面混合前后块，时序平滑滤波在信号层面削平接缝毛刺，场景切换检测判断该过渡还是该硬切。三者共同构成内容过渡算法。视频超分属于画质增强，它不解决时间连贯性问题。
Q8. 什么是长程漂移度量关注的核心现象？
- A.视频后期内容逐渐偏离初始设定的累积效应← 正确答案
- B.特征向量随帧数增长缓慢远离第一帧的分布← 正确答案
- C.单帧画面内的颜色失真
- D.视频文件的编码数据量变化
答案：AB。长程漂移度量把视频按时间切片，计算每一段特征与首段特征的距离，用于量化“越到后面越跑题”的累积过程。它不关注单帧内的画质，也不关心编码体积，而是专门追踪内容在时间轴上的偏离轨迹。
Q9. 上下文条件注入与特征匹配约束的主要区别是什么？
- A.前者输入前文画面作为条件，后者在损失函数中约束前后块特征距离← 正确答案
- B.前者修改模型结构，后者不修改模型结构
- C.前者用于训练阶段，后者只用于推理阶段
- D.两者没有区别
答案：A。上下文条件注入是在生成第 k+1 块时，把前一块的末尾帧作为输入拼进模型，属于“输入侧”的操作；特征匹配约束是在训练损失中加入前后块特征的距离惩罚项，属于“目标侧”的操作。前者让模型看得见前文，后者逼模型记住前文。两者常搭配使用。
Q10. 关于“多模态协同约束”，以下说法正确的是？
- A.音频信号可提供强时间结构来约束画面变化节奏← 正确答案
- B.文本提示词可以与视觉特征联合约束画面语义← 正确答案
- C.该技术已经完美解决了长视频连贯性问题
- D.3D 运动信息可作为额外约束帮助维持画面连贯← 正确答案
答案：ABD。多模态协同约束的核心就是把音频节奏、文本语义、3D 运动轨迹等外部信号接入生成流程，用它们蕴含的时间结构增强画面连贯性。这是当下长视频方向的前沿探索方向之一，尚未“完美解决”问题。