比方说你写好分镜：第一个镜头人物从画面左边走进来，第二个镜头切他的近景，脸得是同一张脸。丢给现在的视频模型，给一句话它能还你一段挺好看的画面，可一要它按分镜走，它就开始自由发挥。这就是为啥AI视频大多只能当素材、当氛围片，进不了正经叙事流程，卡住的从来不是画质，是连续性和听不听话。
上海交大发布的“世界叙事模型”，明说要解决的就是AI视频生成“不可控”这个瓶颈。名字里放“叙事”俩字，态度够明白了。具体怎么做到的我还没看到细节，也不想凭名字脑补技术路线。要是真能让镜头之间的人物和空间关系稳住，对做片子的人来说比多几个像素有用得多。
