你让模型生成一段“清晨倒水”的镜头。水柱很漂亮，玻璃杯的反光也像样。播到第二秒，杯子边缘从桌面上滑过去，像一张贴纸。观众未必说得清哪里不对，但会觉得“假”。这一秒，比很多参数都更能说明视频生成现在的处境。
像，和对，是两件事
模型学的是海量画面里的像素关系。它知道水该有高光，知道手该有五指，但它并不真的“理解”杯子是固体、桌面有支撑、水受重力。多数时候，它靠统计规律把下一帧“接”上去。短镜头里，这种接法足够骗过眼睛；镜头一长，误差累积，物理漏洞就露出来。画面越精致，那一秒的穿帮反而越刺眼。
一致性不是画质问题
很多讨论盯着分辨率、帧率、光影质感。这些当然重要，但真正卡住落地的是时间上的一致性：同一个杯子在两秒后还是不是同一个杯子，人物转身后衣服褶皱接不接得上，镜头运动时背景会不会“融化”。画质可以后期修，一致性一旦崩了，整段素材就废了。视频生成的难处不在单帧好看，而在几十帧甚至几百帧之间不露馅。这也是为什么一段五秒的镜头，往往要反复生成很多次才敢用。
它能用在哪，不能用在哪
把任务拆开看，边界会清楚一些。
- 适合：氛围镜头、概念预演、背景素材、短循环画面，以及那些观众不会盯着因果链看的片段。
- 不适合：需要精确顺序的叙事，比如“按下按钮后灯亮”；产品演示里动作与反馈的对应；涉及操作步骤的教学内容。
这不是说模型不行，而是不同任务对错误的容忍度不一样。一段空镜里杯子穿桌，剪掉就行；一段讲解里杯子穿桌，观众会连带着怀疑别的内容。
评价标准该换一换
从“像不像”转向“能不能用”，可能是更实际的视角。一段五秒的镜头，如果中间杯子穿桌，那它再美也只能当参考。创作者真正需要的是可预期：知道什么样的提示词、多长的镜头、多大的运动幅度下，输出还稳。这比多给几个风格模板更实在。视频生成离“拍片子”还有距离，但它已经能当一支便宜的空镜队伍。问题在于，我们得先学会在它擅长的边界内使用它，而不是拿它去赌一条不能出错的镜头。杯子穿过桌面的那一秒，提醒的不是技术多差，而是我们还没摸清它的脾气。