深夜调一段五秒的镜头，改到第七遍，问题不在画质，而在第三秒那只手的指节忽然多了一根。
这是不少用过视频生成的人共同的体验：单帧挑不出毛病，连着放就开始露怯。
演示片段与真实使用之间
公开的样片通常经过挑选，镜头短、运动缓、主体单一，这类条件下模型表现稳定。但真正需要视频的地方——产品展示、教学片段、影视预演——往往要求镜头持续十几秒，主体在运动中被反复观察。时间一长，误差开始累积：光影漂移、物体形变、背景里的招牌文字逐渐糊成一团。
换句话说，视频生成要解决的不是“画得像”，而是“一直像”。
难点落在时间轴上
图像模型只需对一个瞬间负责，视频模型则要对一串瞬间之间的关系负责。多数方案在潜空间里引入时序建模，让相邻帧共享信息，但共享得越多，运动越僵；共享得越少，画面越飘。这个平衡点不容易找。
物理直觉同样棘手。水往低处流、杯子从桌上跌落会碎、布料受风会起皱——这些常识人类不需要计算，模型却要靠数据去逼近。一旦场景偏离训练分布，画面就会给出似是而非的结果：看着合理，细看不对。
可控性决定能不能用
生成一段好看的画面，和生成一段能用的画面，是两件事。前者看模型能力，后者看控制手段。
- 镜头运动能否指定，推拉摇移是否按意图执行；
- 同一角色跨镜头能否保持一致，服装、发型、脸型不漂移；
- 局部修改是否可行，改一个动作会不会牵动全片。
对做预演的人来说，朴素的需求往往很难满足：能不能只改一个动作，其余部分保持不动。这和图像编辑的逻辑不同。图像改一处，可以局部重绘；视频改一处，前后帧的连贯性要重新建立，时间成本成倍上升。
被绕开的成本与信任
还有两点常被演示阶段略过。一是算力消耗，视频生成对算力的需求远高于图像，长时长、高分辨率的生成并不轻松，实际部署时绕不开。二是来源问题，当一段画面无法凭肉眼判断出处，观众对影像的默认信任会被消耗，这需要标注、溯源与平台规则一起跟上，目前做法还不统一。
一个务实的判断
短期看，瓶颈不在分辨率，也不在单帧美感，而在“可修改”和“可预期”。一个工具如果能让人稳定拿到想要的那几秒，比偶尔生成惊艳的十几秒更实用。
至于还在纠结手指数目的讨论，可能很快过时。真正留下来的问题是：当画面足够以假乱真，我们怎么确认它说的是不是我们想说的。