连着看几十条演示片段，会有一种奇怪的疲劳感：画面都很满。镜头在动，人物在动，光影在动，连空气里都塞着飘浮的尘埃粒子。看完却记不住任何一段。
问题可能不在动得不够好，而在动得太多。
那半秒钟的沉默
回想一段真正让人信服的影像，可信度常常落在“没有发生什么”上：人物说完一句话之后那半秒犹豫，镜头推到位之后手指停在半空，风穿过树叶时忽然安静下来的间隙。这些空白提供的信息不比动作少，它们交代情绪、节奏和意图。
但对一个以帧为单位预测下一个画面的模型来说，空白几乎等于噪声。训练目标鼓励变化，变化意味着可被测量的差异；于是模型学会了把每一帧都填满，把每一秒都推向某个明确的结果。成片看起来因此格外“用力”，像一场没人喊停的即兴表演。
一致性和连贯性不是一回事
现在讨论较多的是一致性：人物的脸有没有漂移，衣服的褶皱在下一镜头里还在不在，背景的招牌有没有变成别的字。这类问题属于工程范畴，靠更长的上下文窗口、更强的约束条件，可以一点点改善。
连贯性是另一回事。它关心的不是“这个镜头对不对”，而是“这个镜头该不该存在”。一段五秒钟的缓慢推镜，如果不知道前一个镜头是什么、后一句台词说什么，模型根本无从判断推速该快一点还是慢一点。它只能给出一个平均值，而平均值在叙事里通常等于平庸。
这也是为什么，把几段单独看都很漂亮的片段拼在一起，往往像三个不同导演在剪同一部片子。
可控性还缺一半
眼下所说的可控，大多指首帧、关键帧、运动轨迹、镜头参数这类正向描述——告诉它要什么。实际创作中更常被需要的，恰恰是反向的：
- 不要这个人物转头
- 不要在这个位置加多余的动作
- 不要让背景里的人继续走
- 不要给这一段配任何转场
目前的提示方式更擅长描述“有什么”，对“不要什么”的响应仍然含糊。而创作过程里，删掉一个动作往往比加上十个动作更接近成片。
从这个角度看，视频生成的能力边界并不完全在画质上。分辨率、时长、帧率都会随时间推移变得不那么稀缺，真正稀缺的是对“无”的表达能力——知道什么时候该让画面停住，让观众自己完成剩下的部分。
它现在适合放在哪一格
比较务实的判断是：它擅长生产素材，还不太擅长生产段落。把一段视频生成的结果当成一个可反复修改的零件，嵌进人已经想清楚的结构里，收益相当明显；指望它一次给出有呼吸感的成片，多半会失望。
这不完全是技术不够，也有目标设定的问题。多数系统被优化成“尽可能多地生成有效内容”，而好影像的标准常常相反——在合适的地方留白。等到有人认真把“不做什么”当成一项可训练的能力，这一秒的空白才可能被真正算进去。
在那之前，创作者仍要自己判断哪里该停。机器负责填满，人负责收手。