又是“文本大模型早就有了拍桌子的瞬间，视频怎么还在挤牙膏”这套说法，听得耳朵起茧。
我的看法是这俩根本不好硬套。文字的对错基本一眼能判，回答错了就是错了；视频错在哪，你得一帧一帧盯着找，很多时候只是“感觉哪里不对”，却说不出具体是哪一帧。评估本身就是个大坑，训练要的反馈信号自然又慢又贵，迭代节奏没法跟文本那边比——模型改一版，光确认它到底变好没有就要折腾半天。
再看观众这一头。人对运动不自然这件事天生敏感，脸稍微飘一下、手多出一根指头，立马出戏，前面做得再好都白搭。聊天机器人说错半句话，大家顶多笑一笑接着用，这两边的容错空间压根不是一个量级。
所以我不太期待哪天突然冒出个惊天时刻。与其等那个所谓的aha moment，不如老老实实把物理一致性和时长稳定性一点点磨上去，这两样稳了，好不好用大家心里自然有数。