企业官网建设流程全解析

如果你做过一段时间 AI 视频生成，大概率撞上过同一种尴尬：单独看每一帧都像海报，合起来看整段视频像有人狂按遥控器的幻灯片。一只猫转头的动作，前三帧还是橘猫，第四帧突然变成了白猫；明明告诉模型“镜头缓慢推近”，结果第十帧直接切了个机位。问题的根源出在“逐帧生成”这个底子上——模型对每一帧做一次独立的推理，它根本没能力感知时间轴上前后到底发生了什么。我们把这类问题归结为时间一致性崩溃，而最近在视频生成工程圈里被反复提及的 HyperFrames（超帧），正是冲着这个病根去的。这篇文章不是某个现成开源库的使用手册，而是我们团队自己在实际项目里把 HyperFrames 思想落成一套可复现管线时总结出的工作流、参数和踩坑记录。如果你正在做视频生成、视频插帧或者短视频自动化生产，这篇应该能帮你少走不少弯路。

1. 逐帧生成为什么总在“掉链子”：时间一致性的底层矛盾

1.1 独立预测的致命假设：帧与帧之间没有共同记忆

做视频生成的人都知道，模型本质上在做条件概率建模：给定文本、首帧或者前一段帧，去预测下一帧。听起来没问题，但一旦走“逐帧生成”路线，模型就掉进了一个陷阱——它对每一帧都做独立的预测，也就是说，第 41 帧在生成时，根本没见过第 38 帧到底长什么样。它只知道“前一个时刻的大致内容”，而这个“大致内容”是经过多层网络压缩后的一个隐向量。信息在这条链路里会损失多少，做过超分或者图像修复的人都心里有数。

更麻烦的是，当前很多开源视频模型内部确实加入了时序注意力机制或者 3D 卷积，但这些机制只能缓解短窗口内的一致性问题。你让模型一次看 4 帧、8 帧，它有能力维持住这一小段的连贯；可一旦把生成长度拉到几十帧甚至上百帧，早期帧的信息在多层网络中反复压缩、投影、又压缩，早就丢得七七八八。结果就是最经典的“闪变”：每帧单看都干净、锐利、细节完整，连起来却像劣质老电影里的雪花噪点，物体边缘在抖，亮度在跳，明明是固定机位，背景却在缓慢漂移。

这里我要多说一句。很多人把闪变问题归咎于随机种子不好、采样步数太少或者 CFG 权重不对，然后反复重采样。其实你试过就知道，不管采多少步，只要模型对“时间上下文”没有整体感知，出来的大概率还是各说各话的系列海报。采样参数能改善的是单帧画质和构图稳定性，治不了时间维度的失忆症。这也是 HyperFrames 这类思路出现的直接动机：与其让模型一帧一帧去猜“下一帧该长什么样”，不如让它一次处理一小段连续帧，在同一轮生成里同时约束这段时空。

1.2 误差像滚雪球：自回归生成里的漂移

逐帧生成还有一个更隐蔽的问题——误差累积。第一帧生成时可能只有一点点偏差，比如嘴角的位置偏了 2 个像素；第二帧基于第一帧去预测，会把这点偏差继承下来，还可能放大到 4 个像素；到第 30 帧，这个人物的面部就已经完全走了样。这不是某个具体模型的缺陷，而是所有“拿上一帧输出当下一帧输入”的自回归管线的通病。

我习惯拿动画师的工作来类比。动画师画一段角色走路的镜头时，绝对不会一格格盲画。他们会先铺关键帧：起势、迈步、落脚、重心转移，把整个动作的骨架先定死；然后再补中间帧，让动作顺滑。这个过程里，关键帧是“锚点”，中间帧是“细节”。AI 视频生成缺的正是这套锚点逻辑——逐帧生成等于一个动画师不画关键帧，从第一帧直接开始盲画到第一百帧，中间没有任何可以纠偏的结构支撑。

HyperFrames 翻译成“超帧”，本质就是把时间上相邻的一批帧打包成一个可被模型一次性处理的结构单元。这个单元可以是一个多帧张量直接送进 3D VAE，也可以是一组关键帧序列作为条件喂给插帧网络。模型在处理这个单元时，所有帧都同时在场，可以互相“看见”，时间一致性就不再靠前一帧的隐向量勉强维持，而是靠整体时空结构来保证。这个思路听起来直接，但落地时有很多选择要做，下面一章展开讲。

2. 两种主流超帧形态：并行超帧与锚定超帧怎么选

2.1 并行超帧：把多帧塞进同一个扩散张量

并行超帧是目前视频扩散模型最常采用的形态。具体做法是：把连续 T 帧图像在 latent 空间里拼成一个形状为 B, C, T, H, W 的张量，然后整个送进网络做去噪。以 Stable Video Diffusion 这类架构为例，它的 VAE 本身就是 3D 时序感知的，可以一次性编解码一个小批量的帧；扩散模型内部的时序注意力也会在 T 这个维度上做交互。模型在每一步去噪时，同时“看”着这一段所有帧的噪声状态，所以生成的帧天然共享同一份时空上下文。

这种方案的优点是彻底，它从建模层面消除“独立预测”的问题，一致性是所有方案里最强的。代价也直接：显存消耗随 T 线性增长，训练和推理都变得更重；如果 T 开得太大，模型容易偷懒，把所有帧都生成成几乎一样的静态画面，也就是所谓的“冻结效应”。我们早期在测试 16 帧并行超帧时，明显感觉到视频动起来比 8 帧版本“肉”很多，镜头运动幅度变小，像是模型不敢让画面变化太大，怕破坏整体的一致性。

并行超帧适合的场景是：素材本身运动幅度小，或者你希望生成“慢镜头”质感，又或者你的 GPU 非常充裕，可以承受 T=16 甚至 T=24 的显存压力。如果做的是高动态动作镜头、人物快速转身这类内容，并行超帧会频繁出现运动模糊和细节粘连，反而不如轻量方案。

2.2 锚定超帧：关键帧当骨架，中间交给插帧网络

另一种形态是锚定超帧。它的思路是：先不生成全部 T 帧，而是每隔 N 帧挑一个“关键帧位置”，只对这些位置做超帧生成；中间那些被跳过的帧，交给插帧网络（比如 RIFE、FILM 这些成熟方案）去补。比如一个 24 帧的镜头，你只在第 1、7、13、19 帧上用扩散模型生成，剩下的 20 帧全部靠插帧补出来。

这个思路的好处非常明显。第一，扩散模型的生成次数从 24 次降到 4 次，推理成本直接砍掉大半；第二，关键帧之间的跨度足够大，模型有空间做出明显的姿态变化和镜头运动，不容易产生冻结效应；第三，插帧网络经过多年发展，在“两帧之间有明显对应关系”的前提下，补出的中间帧非常稳定，而且天然是时间连续的。

缺点也同样明显。插帧网络只能处理“像素运动”，它无法凭空发明一个在关键帧里完全不存在的新元素。如果你在关键帧之间发生了剧烈的光影变化、物体形变或者局部遮挡，插帧结果就会出现扭曲、残影。我们实测下来，锚定超帧对关键帧间距极其敏感：6 帧间距以内基本稳，10 帧以上就开始依赖镜头本身的运动类型，纯横摇镜头还行，人物快速挥手这种高频动作就非常容易翻车。

2.3 我们为什么最终选择了锚定路线

如果只看一致性，并行超帧无疑是更好的答案。但我们项目面临一个很现实的约束：推理资源吃紧，而且业务场景覆盖了大量镜头运动类型，需要一个在质量和成本之间平衡的通用方案。我们在 8 帧并行、16 帧并行、锚定 6 帧间距、锚定 10 帧间距四组配置上做了对比测试，最终跑赢的是“8 帧并行超帧 + 4 倍锚定插帧”的混合方案。

具体来说，生成侧仍然使用 8 帧窗口的并行超帧来保证基础一致性；但这个 8 帧窗口不是连续帧，而是从目标视频里等间隔抽出来的“稀疏关键帧”。比如最终成片是 32 帧，我们抽第 1、9、17、25 帧组成一个 4×8 的锚定超帧？不对，这里我重新说清楚一点，我们的做法是：先抽 4 个关键帧位置，每个关键帧以它为中心取一个 8 帧的并行超帧块，用来给周围帧做局部约束；块与块之间的过渡区域再交给插帧网络。这样既拿到了并行超帧的强一致性，又不用对每一帧都跑一次扩散生成，整体推理时间只比纯逐帧生成多了不到 30%。

关于这个问题的中文资料目前不算多，当时我们为了确认这个细节，特别去查了 hyperframes 相关的技术博客和讨论帖，发现多数团队都是用类似的思路在调——并行超帧负责“局部硬约束”，稀疏关键帧负责“全局结构”，插帧负责“补足像素运动”。这套组合本质上是在时间一致性和计算成本之间做一个显式交易，没有绝对最优，只有适合你业务场景的那一档。

3. 手把手搭一条 HyperFrame 管线：关键参数与工程实现

3.1 帧窗口长度与步长：不是越长越好

超帧的核心参数就两个：窗口长度 T（一次生成多少帧）和步长 stride（相邻两个窗口的起始位置间隔多少帧）。这两个参数直接影响一致性和成本，也是我们调得最久的地方。

窗口长度上，我们的经验值是：训练时用 T=8，推理时用 T=8 到 12。T 小于 4 时，超帧几乎没有意义，跟逐帧生成区别不大；T 超过 16，显存压力陡增，同时还可能出现“时间塌缩”问题。什么叫做时间塌缩？就是模型发现只要把这一批帧生成得足够相似，降低一致性损失的代价就最小，于是后续训练出来的视频全部变成低速幻灯片。这跟扩散模型里常见的“模式坍缩”是类似逻辑，只是发生在时间维度。如果你必须用长窗口，我建议引入一个“运动正则项”：计算相邻帧之间的像素差异，给它的均值设一个下限，逼着模型保持一定程度的动态。

步长的设置要看你的生成策略。如果用滑动窗口重叠生成，stride 一般取 T/2 或者 T/4。比如 T=8 时，stride=4，那么第一个窗口生成 0-7 帧，第二个窗口生成 4-11 帧，中间重叠的 4-7 帧取两个窗口结果的加权平均，权重由各窗口距中心的距离决定。重叠不是为了省算力，而是为了让窗口之间的衔接处不出现断层。我们试过 stride=T（完全不重叠），结果每 8 帧就会看到一次明显的“节奏跳变”，肉眼看起来像视频被剪掉了一小段。

3.2 从视频样本到超帧训练集：分辨率、裁剪与运动过滤

如果你要微调一个视频模型，训练集的构造比网络结构更值得花时间。我们从公开视频数据集里抽样本时，踩过不少坑，最后沉淀下来一套固定流程，大概三步。

第一步是运动速率过滤。不是所有视频都适合做成超帧训练样本。纯静态访谈镜头、固定机位监控画面，它们的帧间变化太小，模型训练时很容易学会“什么都不做也能蒙混过关”。反之，快速抖动的手持镜头又会让相邻帧间的对应关系断裂，模型很难学到稳定的时间结构。我们的做法是：先对候选视频做一次光流估计，计算相邻帧的平均光流幅值；保留幅值落在 0.5 到 6.0 像素/帧这个区间的样本。这个区间基本覆盖了“正常镜头运动”的绝大多数情况。

第二步是分辨率与一致性预处理。视频素材来源五花八门，有 4K 的，有压缩过的 720p 的，还有带水印的。超帧训练最忌讳混合分辨率，因为模型会在帧内模糊和帧间闪烁之间找一个莫名其妙的平衡点。我们的惯例是全部拉到 512×512 或者 512×896 这类统一尺寸，并且强制用高保真缩放算法做下采样，不能用快速的双线性，否则高频细节会被抹成糊状，训练完的生成结果会显得“肉”。

第三步是镜头边界检测。这一步在数据清洗阶段就要做干净。我们用一个简单有效的方案：计算相邻帧在 YUV 色彩空间上的直方图相似度，如果某个位置的相似度突然掉到阈值以下，就认为这是一个镜头切点，在切点处把时间序列拆断。超帧窗口绝不能跨过镜头切点，否则等于强迫模型去学习一个画面内容和物理运动完全无关的突变，它会无所适从，把这种“断裂感”当成正常分布的一部分学进去，后续生成视频就会频繁出现不明所以的硬切。

3.3 模型接入的核心改动：时间维度怎么进网络

超帧建模的模型接入部分，说穿了就是回答一个问题：时间信息从哪里进网络？目前主流做法有三种。

第一种是把帧序列在 VAE 编码层之前就拼接成 3D 张量，走 3D VAE。这是最直接的并行超帧路径。你在代码里做的事情大致是这样：

# 输入: frames 是 [B, T, H, W, C] 的 uint8 序列 # 先归一化，再经过 3D VAE 编码得到 latent latent_frames = vae.encode(frames) # 输出 [B, C, T, h, w] # 扩散模型的主网络是一个时序 U-Net noise = torch.randn_like(latent_frames) for t in timesteps: pred = unet(latent_frames, noise, t) # 内部做帧间 attention noise = noise - pred * step_size decoded = vae.decode(noise)

第二种是保持 2D 图像生成模型不变，只把帧间信息通过 cross-attention 注入。也就是说，每帧仍然是独立过 U-Net 的，但在 attention 层里让它能 query 到前后帧的 key/value 特征。这种方案改动最小，适合直接魔改现成的图像扩散模型，但一致性上限不如第一种。

第三种就是我们前面说的锚定路线：关键帧用超帧生成，中间帧用插帧网络。这里有个工程细节值得提——插帧网络的输入不能直接用生成的原始关键帧，因为扩散模型生成出来的图像会带有微小的纹理抖动，直接送进 RIFE 会使补帧结果出现波纹状闪烁。我们通常在插帧之前对关键帧做一次轻量级的时间域滤波，或者用视频超分模型把关键帧先稳定化一遍，再送插帧。

三种方案没有绝对的优劣，取决于你手里的模型是图像模型还是视频模型，以及你愿意改多深的网络结构。我们一开始图省事选了第二种，效果始终差一口气；后来改成 3D VAE + 时序 attention 的并行超帧，才真正打开了局面。如果你的基础模型本来就是视频扩散模型，直接从第一种开始做就够了。

3.4 显存紧张时的三层策略：切片、检查点与时序稀疏化

超帧最常见的落地瓶颈就是显存。我们最初在 24G 显存的卡上调 16 帧并行超帧，直接把显存跑满，batch size 只能放 1。如果不想换硬件，有三个办法可以组合使用，按性价比排序。

第一层是梯度检查点。把 U-Net 里每个块的前向激活值释放掉，反向传播时再重新算一次，用约 30% 的额外计算换 60% 以上的显存节省。这一层基本是无脑开启的，PyTorch 里也就是torch.utils.checkpoint包一下网络块的事，代价是训练速度明显变慢，最好配合混合精度一起用。

第二层是时间维度切片。既然超帧内部每帧的 latent 是独立编解码的，你可以把 T 帧分成几组，每组先独立过一遍空间层，在时间 attention 之前再合并起来。这样空间部分的显存占用不再随 T 线性增长，只有时间 attention 依旧需要全量张量在内存里。代价是时间和空间信息被强行拆开了，空间特征的一致性会略有损失。这块我们实现时花了不少精力去对齐中间张量的维度，如果你用现成的视频 U-Net，建议先看看有没有官方支持这种切分模式，不要自己从零写。

第三层是时序注意力稀疏化。完整的时间 attention 是 T×T 的，每个位置都要和所有帧交互，复杂度随帧数平方增长。改成局部窗口式 attention，只让每帧和前后 3 帧交互，复杂度就能降下来。效果上，短程一致性几乎无损，但长程的“跨窗口记忆”会减弱，需要配合窗口重叠来弥补。

这三层可以叠加。我们最终的推理配置是 T=8、梯度检查点关闭（推理不需要）、时间切片开 2 组、时序 attention 窗口为 3，在 24G 卡上同时跑 4 个 batch 不爆显存。如果你只有 16G 卡，把 T 降到 6，batch 降到 1，仍然可以流畅跑通。

4. 别再靠肉眼验收：时间一致性的量化指标与实验对比

4.1 我们日常盯的五组指标

超帧做得好不好，不能靠“放出来看看感觉还行”来验收。人的肉眼对缓慢的时间漂移非常不敏感，经常盯着视频看了半分钟都没发现问题，直到某帧突然跳变才反应过来。我们项目里日常盯着五组指标，全部计算成本都很低，跑一次推理之后顺手就能出来。

• CLIP 时序一致性：把每一帧分别过 CLIP 图像编码器，取相邻帧特征向量的余弦相似度，最后求平均。这个指标反映的是“高层语义是否稳定”——比如角色的身份、物体的类别是否在帧间突变。
• LPIPS 帧间距离：用 Perceptual Similarity 计算相邻帧的低层感知差异。这个指标对纹理、颜色、边缘这类细节的抖动非常敏感，是捕捉“水波纹闪烁”的好手。
• PSNR/SSIM：传统指标，主要监控像素级的绝对差异。生成视频里它们通常不会太高，但如果突然掉得厉害，说明画面结构发生了异常，比使用简单的数据规律确实要一针见血。
• 光流弯曲误差（Flow Warping Error）：用光流模型（RAFT 等）先估计相邻帧的运动场，再把前一帧按照光流 warp 到下一帧的坐标，与真实下一帧做差异计算。这个指标直接衡量“运动是否正确”，比 LPIPS 更能暴露插帧网络产生的扭曲残影。
• FVD（Fréchet Video Distance）：全局指标，衡量生成视频集合的特征分布与真实视频集合的差异。它计算成本较高，一般基准测试或者大版本升级时才跑一次，不用于日常调参。

4.2 一组真实超帧参数的对比实验

为了说清楚参数选择对结果的影响，我拿我们项目里的一组典型跑测数据出来。测试素材是一段 6 秒、包含人物行走和背景虚化的室内镜头，统一用相同的基座模型和采样配置，只改变超帧策略：

注意这组数字不是要论证某个方案绝对最好，而是展示一个规律：在一致性和清晰度的多数指标上，超帧组全面优于逐帧组；在成本上，锚定混合方案反而因为跳过了大量中间帧的扩散推理，比纯并行超帧更省。主观观感上，16 帧并行超帧虽然指标最好，但“冻感”问题让它不适合动作场景。我们综合下来把 8 帧并行 + 4 倍锚定插帧作为了业务默认配置。

4.3 怎么判断“超帧真起作用了”

看指标不能只看数字高低，还要看趋势。我们判断超帧真正起作用的标志是：CLIP 一致性的方差显著下降，而不是均值微涨。为什么？因为闪烁的本质是帧间语义一会儿高一会儿低，均值可能看起来差不多，但方差大说明生成状态极不稳定。把指标按帧序号画成折线图，逐帧生成会看到明显的锯齿状波动，而合格的超帧方案应该是一条平滑波浪线。

另一个有效手段是刻意制造一个“一致性压力测试”：生成同一视频 5 次，然后计算这 5 个版本逐帧之间的差异。如果差异很小，说明时序结构收得够紧；如果每次生成的帧间跳变位置都不一样，说明模型对时间结构的建模还不够，超帧窗口大概率开小了或者训练数据里的时间多样性不足。

5. 项目里踩过的四个坑：拖垮合成的都是些不起眼细节

5.1 超帧步长过大导致的运动残影

第一次把我们逼回绘图板的是步长问题。当时为了省推理时间，我们把锚定关键帧间距从 6 帧直接调到了 12 帧，心想着反正插帧网络能补。结果跑出来的视频一放到人物快速转身的镜头上，身后直接拖出一条半透明的“尾巴”。这个现象在侧光场景尤其严重，残影清晰可见，整个画面看起来像慢门摄影。

根因在于：插帧网络本质上是做前后帧的光流插值，如果两帧之间的物体位移超过了光流估计的有效范围，它就无法找到正确的对应点，只能做一个加权平均式的模糊。这种残影不管你用多好的插帧模型都压不住，因为输入信息里就没有足够的对应关系。后来我们把关键帧间距锁死在 4 到 6 帧，残影基本上消失，代价是推理次数多了 40%，但画面干净程度完全值回票价。

5.2 锚定帧崩坏：错误向上游传播的连锁反应

锚定超帧里有一个隐藏的“单点故障”——关键帧本身的质量决定了下限。我们有过一次特别典型的翻车：一段由 5 个关键帧锚定的镜头，第 3 个关键帧在生成时因为采样碰撞出了个畸变，单独看这一帧还没那么刺眼，但后续所有插帧中间帧都是基于这个畸变关键帧算出来的，结果整段 8 秒钟的运动全部扭曲，人物像被扭曲的橡皮泥。

这块的教训是：关键帧一定要做质量门控。我们的做法是，关键帧生成完之后单独跑一次快速质量检查，把 LPIPS 距离和 CLIP 时序一致性低于阈值的帧挑出来重新生成；重生成两次仍然不合格，就说明这段镜头本身的内容可能超出了模型能力范围，降级处理——缩小关键帧间距重新跑，而不是强行修补。这个流程看起来多花了点时间，但避免了整段合成返工，性价比很高。

5.3 动作跳跃与场景切换：跨镜头超帧等于造鬼影

前面提到训练数据的镜头边界检测，推理时同样不能省。如果我们给超帧窗口喂了一段中间藏着镜头切点的序列，模型会怎么处理呢？它会把这帧硬生生生成——前一帧还是室内全景，后一帧突然切到人物特写，超帧模型为了保持“一致性”，会把室内场景的残影和特写融合在一起，生成一张鬼影重重的过渡帧。更麻烦的是，这种失败还会连锁污染后面的帧，因为后续窗口始终带着一道残影的隐向量状态。

我们的方案是推流前先做一次快速的场景切分，把整个视频切成多个“镜头单元”，每个单元内部独立走超帧管线；单元与单元之间的衔接则用简单的线性淡入淡出让观众感知为转场，而不是硬切。这个策略短期内的代价是镜头切换点丢失了一点点动态过渡的自然感，但规避了鬼影，收益远大于损失。

5.4 关键帧之间的物理不连续：光流约束缺失导致抖动

锚定超帧一个很难一眼看见的问题是：即使 CLIP 一致性和 LPIPS 都合格，画面里物体的运动轨迹也可能不符合物理直觉。典型表现是，关键帧 A 里人物手臂在 30 度位置，关键帧 B 直接跳到 60 度，但两个关键帧本身画质都很好，肉眼单独看没毛病；一旦插帧补完，手臂的运动速度就不是匀减速，而是先慢后快再急停，看起来像机械卡顿。

这个问题的本质是插帧网络太“忠于”两端关键帧了。它只知道两帧的像素对应关系，不知道中间过程有没有经过遮挡、加速或者形变。我们的对策是给插帧网络引入光流引导：先用 RAFT 估计一个初始光流场，把它作为额外条件输入插帧模型，这样补出来的中间帧会更贴近真实的运动轨迹而不是单纯的线性插值。代价是推理耗时增加了约 20%，但运动平滑度的提升非常直观，尤其是做人物动作类镜头时，这 20% 很值得花。

6. 我把当前这套超帧方案沉淀成了默认模板

6.1 可直接抄走的默认配置

经过前面这些折腾，我们目前把一套相对成熟的配置固定成了模板，新项目基本都是在这个基础上微调。这里直接分享一套参数起点，你可以根据自己的 GPU 和素材类型做一两档调整：

• 超帧形态：8 帧并行超帧 + 关键帧间距 5 帧的锚定插帧
• 训练窗口：T=8，步长 stride=4，训练前对样本做运动速率过滤，保留光流幅值 0.5-6.0 像素/帧
• 推理窗口：T=8，stride=4，窗口间重叠区做中心加权平均融合
• 插帧方案：RIFE 或 FILM，配合 RAFT 光流引导，插帧前对关键帧做轻量时间滤波
• 质量门控：关键帧生成后跑 LPIPS 和 CLIP 时序一致性，超标重采样
• 显存策略：24G 显卡直接跑；16G 显卡把 T 降到 6，时间切片开 2 组
• 验收指标：CLIP 一致性 ≥0.86，LPIPS 比基线降 40% 以上，FlowErr 比基线降 30% 以上

这套配置的好处是通用性较强。静态访谈、产品展示、自然风景、人物动态镜头我们都跑过，只是遇到高动态动作时把关键帧间距从 5 压到 3，遇到纯慢镜头时可以把 T 升到 12 但不建议再高。

6.2 它还能往哪走：光流引导、插帧集成与长视频记忆

超帧这套思路目前的扩展方向，我们正在尝试的还有三个。第一是把光流信息直接并进超帧生成阶段，而不是等生成了关键帧再补光流，这样模型从一开始就能感知运动轨迹，生成的视频动态会更自然。第二是插帧与关键帧生成的一体化，把插帧网络和扩散模型串联成一个端到端的可微分管线，训练时误差可以直接反传到关键帧生成模块，减少前后阶段的矛盾。第三是长视频的跨窗口记忆，现在的窗口重叠只能解决两两窗口之间的衔接，但如果整段视频有 60 秒以上，一个早期的场景回头再出现时，超帧模型已经完全不记得它长什么样了。这需要引入更高层的时间记忆机制，比如用一个全局场景向量给每个窗口做条件约束。

这三个方向我们都在逐步验证。前两个已经看到明显收益，第三个还在实验阶段。如果你也是在做 AI 视频生成方向的工程落地，我个人的建议是：不要一开始就追最新的网络结构，先把超帧这套“时间打包”的思想用顺手，把基建层面的数据清洗、质量门控、量化验收都建立起来，再往上层叠模型创新。大多数视频一致性问题，靠成熟的架构加正确的数据，就已经能解决八成以上。

最后分享一个小经验：我们首次跑通整套管线时，最惊喜的不是某个指标暴涨，而是生成视频第一次能被团队成员一口气看完——不用捏着进度条逐帧检查有没有闪变。那种感觉，比任何评测分数都更让人确定，这条路走对了。