一段十五秒的咖啡馆空镜，前六秒几乎挑不出毛病：窗光斜进来，杯沿有一圈暖色反光，蒸汽升起的速度也对。第七秒，服务员伸手把杯子放到桌上，杯底和桌面之间多出一条不该存在的缝，手指的轮廓穿过了杯壁。剪辑师换了几组提示词重跑，问题依旧，只是换了个位置冒出来。
这类细节，是现在做视频生成的人常遇到的挫败。不是画面不好看，而是画面在某个瞬间“不讲理”。
要弄明白它为什么这样，得先看模型在干什么。它逐帧去噪，学的是像素之间、帧与帧之间的统计相关，而不是一套关于物体如何存在的规则。它知道杯子通常出现在桌面上，却不知道杯子不能穿过桌面。外观层面的东西——光影、材质、色调、构图——在数据里重复得足够多，学起来相对稳当。而接触、遮挡、形变这类事件，发生在极短的几帧里，像素变化剧烈，样本占比不高，误差又会在连续生成中一层层累积，于是错误集中在这些地方。
还有一个容易被低估的原因：语言描述本身的粗糙。“她放下杯子”这句话，对人来说包含起止、力度、液面晃动、手指松开的时间点；对模型来说，它只是一个与若干视觉模式相关联的短句。提示词描述的是“看起来像什么”，而不是“发生了什么”。当指令和画面之间缺少中间的状态表示，模型只能猜，猜错的地方就落在那几帧接触画面上。
把镜头切短，是一种务实的妥协
在真实的制作流程里，视频生成目前多数时候承担的是素材角色，而不是成片角色。做概念预演、补空镜、批量出不同风格的变体、给分镜配一段动态参考，这些用法对“物理完全正确”没那么苛刻。真正要交付的镜头，团队通常会拆成更短的片段，绕开物体交互的瞬间，再在剪辑台上接起来。
也见过另一种做法：把动作拆成首尾两张静帧，让模型负责中间过渡，人负责判断过渡是否可信。这算不上优雅，但能省下反复重跑的时间。
- 单个片段控制在三秒以内，抓握、倾倒、放置这类动作尽量放到片段边界之外。
- 提示词多写状态、少写过程，比如“杯中半满、桌面有反光”通常比“她端起杯子喝了一口”结果稳。
- 有交互的镜头先留退路：实拍补一个手部特写，或用遮挡物把接触点挡住。
- 记下随机种子和参数，同一角色、同一场景的多次生成才有可复现的外观。
真正的门槛在“状态”
分辨率和时长当然还在往上走，但这两项提升不会自动解决穿模。关键的是模型能否在时间里维持一个可追踪的状态：杯里还剩多少水，上一秒手在哪，镜头转过去之后桌子另一边是什么。有了这种状态表示，很多错误就不必靠事后修补。学界和工业界都在往这个方向试探，有叫世界模型的，有做时序一致性约束的，思路上说得通，稳定到什么程度还需要观察。
所以不必急着给视频生成下什么结论。它现在的样子有点像早期的数字摄影：能出活，但要用对人、用对地方。愿意承认它的边界，它就能在边界内干活；指望它一次给出可直接播出的长镜头，多半要失望。
下一次卡住的地方，大概率还是这种不起眼的接触帧——不是宏大的叙事，而是一只杯子落在桌上的那零点几秒。