提示词只有一句：一条湿毛巾从桌沿滑落。几秒钟的画面，生成出来单看每一帧都说得过去——布料的褶皱、边缘的水痕、桌面的反光，纹理是像的。可连起来播放，毛巾在半空里形状变了两次，落点跟影子对不上，地板上留着水渍，但上一秒地板还是干的。
这种别扭很难用“画质不够好”解释。分辨率、光影、材质，这几年在肉眼层面进步明显；一到运动，尤其是软物体的形变、碰撞、液体，破绽就集中冒出来。视频生成落到具体项目里，先撞上的常常就是这类小问题。
它学的是画面，不是世界
多数视频生成模型的训练目标，是预测接下来该出现什么像素，或者从噪声里一步步还原出合理的画面。这个目标奖励的是“看起来像那么回事”，不是“符合力学”。模型见过大量毛巾落下的影像，知道这类画面通常伴随怎样的纹理流动和光线变化，但它没被要求知道毛巾有重量、会受重力、落地会摊开、会把水压进纤维里。
所以它给出的往往是“像落下的样子”，而不是“落下”。前者是视觉统计，后者是因果。这个差距在走路、手指弯曲、玻璃碎裂、水倒进杯子这些场景里反复露头。
用的人已经换了位置
在项目里用它的人，多半不会指望一段提示词直接出成片。常见的用法是几个明确的位置：给静态图加几秒呼吸感，补一个不必交代细节的空镜，做两场戏之间的气氛过渡，把分镜里不好搭景的那两秒糊过去。这些活儿有个共性——观众不会盯着看太久，也没人计较毛巾落在哪。
真正影响日常效率的反而不是想象力，是可控性。能不能指定镜头怎么推，能不能只改画面一角，能不能把五秒接成十五秒而人物不变形，能不能把同一张脸固定住。有的产品把力气花在镜头调度的指令上，有的花在局部重绘上，路径不同，落到具体项目里合不合用，得自己上手试。
几处还没解决的地方
- 时长与连贯。短片段尚能维持，拉长之后人物、光线、场景容易漂移。
- 可编辑。生成一段容易，改其中一秒难；改完还得保证前后接得上。
- 经不经得起看。手机小屏上过得去，投到大屏，抖动、纹理重复、边缘发虚全出来了。
- 来源与授权。训练数据、生成内容的商用范围，各家条款写得不一样，动手前值得读一遍。
一点判断
视频生成短期内不会让拍摄消失，它先动的是中间层——那些原本要租场地、等天气、搭绿幕才拍得到的几秒。这个位置不显眼，却占掉不少预算和时间。
会写提示词的人已经不缺。缺的是能判断“这几秒值不值得生成”的人：知道哪些镜头交给模型划算，哪些必须实拍，哪些生成完还得再修。这种判断力不会从工具里自己长出来。
下次动手写提示词之前，不妨先问一句：这一秒的镜头要解决什么问题。想清楚了，生成出来的东西才有地方放。