Google Research 提出多智能体长视频生成框架

用途与思路

Google Research 于 2026 年 9 月 24 日发布博客，介绍一套统一的多智能体框架，用于自动生成时序一致的长视频叙事。来源将其定位为在 Gemini 与 Veo 之上的编排层，并称其模型无关，可架设于其他基础生成模型之上。

四个组成部分

• AI video co-director：分层多智能体框架，把视频叙事建模为全局优化问题，用多臂老虎机在创作策略、叙事模式、美学原型三个维度上选择配置；生产阶段由关键帧、视频、音频子智能体分别产出，再由多模态大模型评审反馈形成奖励信号。
• CANVAS：面向多镜头叙事的视觉分镜框架，通过持久视觉记忆维护角色、地点与物体状态的结构化表示，用于同一场景内的连贯过渡与角色回归。
• A²RD：自回归视频生成架构，逐段生成并结合多模态视频记忆，在“外推”和“插值”两种段生成模式间切换。
• VQQA：以视觉问答方式生成针对提示的视觉问题，将 VLM 的批评当作语义梯度来迭代改写文本提示，并设有全局选择机制以避免修正过程破坏整体语义。

评测与结果

来源列出三个基准：GenAD-Bench、HardContinuityBench、LVBench-C，并称 AI video co-director 在 GenAD-Bench 上达到 81.4 的峰值质量分，各组件在 ViStoryBench、ST-Bench、VBench-Long、T2V-CompBench、VBench2、VBench-I2V 等基准上有改进。来源未给出各基准的完整数值、评价协议与对照细节。

限制与待核实

• 来源为官方博客，未提供训练配置、算力开销与可复现代码说明，指称的多项基准提升需要对照论文核实。
• 提到的 COLM 2026、EMNLP 2026 录用状态来自来源表述，尚未见同行评审公开结果。
• 来源提到后续将探索人在回路的工作流，当前人事参与方式仍不明确。