用一张图生成视频，听起来很美好。实际用过的人都知道，问题出在后面。首帧好好的一张脸，生成到第五帧就变了模样；首帧清晰的文字，到了第三帧就糊成一团；首帧的色调和构图，走着走着就偏了。根源是首帧特征没有效传递到后续帧。跨帧语义传播，解决的就是这件事。先说最基本的概念。图生视频（I2V）的输入是一张参考图，输出是一段视频。参考图是视频的"起点"——第一帧基本就是参考图本身，后续帧从这一帧自然演化。但"自

在 AI 视频生产实践里存在一个普遍误区：认为只要把提示词写得足够详尽，模型就可以输出符合预期的运动效果。但大模型文本理解存在固有边界，文本很难量化表达 “镜头缓慢推进”“小幅度肢体动作”“稳定无抖动” 这类连续时序信息。单纯依靠文字描述运动，结果具备很强随机性。同样一段提示词，多次生成会出现镜头剧烈晃动、动作夸张过度，或者完全静止不动两种极端。星宇智算 Vera1.1 的设计思路，将能力拆分为两

在实际业务落地中，单张参考图驱动视频一直存在几个顽固痛点：角色形象跑偏、场景前后割裂、道具细节丢失。很多团队做短剧、漫剧、电商物料时，需要把人物定妆照、场景环境图、道具参考图多张素材同时喂给模型，保证整段视频里人物样貌、服饰、场景布局全部对齐。过去多数文生视频模型仅支持单图输入，多张参考图只能反复迭代提示词、多次 LoRA 微调，调试周期拉长，团队内部经常出现美术输出参考图和 AI 输出视频严重脱

传统单流视频 DiT，全部视觉信息（人物、背景、运镜、光影）输入同一个 Transformer 时序分支。当镜头移动、环境光影变化、物体交互时，背景信号会污染人物身份表征，出现人物特征被改写的现象。在漫剧、电商短剧、多镜头数字人等商用场景，漂移问题会直接导致成片报废，返工成本极高。| 问题现象 | 底层成因 | 业务侧影响

在文生视频、图生视频业务场景中，大量开发者都会遇到一类共性现象： 输入同一张人物参考图，生成多段连续视频，随着镜头切换、动作变化、光照改变，人物五官、脸型、发色会逐步偏移，也就是行业俗称 “变脸”。即便增加参考图数量、锁面部权重，依然会出现身份丢失。短时帧内漂移：单条视频内部，几十帧之后五官细节发生改变，眉毛、眼睛轮廓、脸型发生潜移默化变化；跨片段身份断裂：多段视频接力生成，上一段人物样貌，下一段

做 AI 视频的同学应该都有同感。哪怕画面渲染质感到位，一旦出现物体错位、帧间跳变、局部画面撕裂，整条视频直接废掉。很多团队把问题简单归为模型效果差，反复调 Prompt、拉高渲染分辨率，实际收效甚微。大量线上业务反馈，70% 以上的视频不流畅问题，根源并不在画面生成，而是帧间运动对齐与光流计算环节。用户高频疑问 1：同样的人物场景，短片段看着没问题，一拉到 8 秒、12 秒长视频就疯狂跳脸，这到

做 AI 视频量产的团队，大多踩过同一个坑：无限画布看着 demo 效果不错，批量跑起来就频繁翻车，人物漂移、帧间闪烁全来了。肉眼评价太主观，不同人标准不一样，版本迭代根本没法精准对齐。有开发者常问：**无限画布外扩之后，时序稳定性到底打了多少折扣？**也有业务方纠结：人物漂移有没有可量化的商用合格线？这也是我们团队做这次量化实验的初衷。我们以星宇智算 Vera1.1 为测试对象，选取行业通用的

做 AI 宽幅延展、横向长镜头、漫剧分镜扩展的时候，很多同学都遇到过很头疼的现象：画面向外延展之后，新旧区域拼接处出现硬接缝、主体漂移、光影割裂，明明提示词写得没问题，扩出来的画面就是 “贴上去” 的感觉。不少开发者会问：**同样是 out‑painting，为什么无限画布模式的问题比普通局部重绘要严重得多？掩码在这里到底承担了什么样的角色？**也有业务侧同事经常抛出疑问：无限画布的图层合成，能不

做 AI 视频的朋友应该都有体会，现在生成几秒的惊艳片段很容易，一做长视频就翻车。人物漂移、场景跳变、光影不连贯，各种问题扎堆出现。据《2026 AIGC 工程化落地白皮书》统计，长视频生成的一致性问题，是阻碍企业规模化应用的第一技术障碍，占比达 68%。很多刚接触这个领域的开发者和内容从业者都会问：“我完全没学过深度学习，能不能理解长视频生成的核心逻辑？” 还有人吐槽：“都是把片段拼起来，为什么

做过 AI 长视频的开发者大概率都踩过同一个坑：前几秒画面还稳得很，十几帧一过人物脸就歪了，场景元素凭空消失又凭空出现，镜头运动轨迹突然断裂。这不是参数调得不够细，而是扩散模型天生的时序一致性难题 —— 业内统称「时序漂移」。今天这篇就从工程落地视角，拆解星宇智算 Vera 1.1 主推的时空解耦双流 DiT 架构，讲清楚它到底从哪几个维度解决了长视频时序漂移问题，以及我们团队在实际项目中测出来的

很多团队在用无限画布做分镜多镜头视频的时候，会碰到一类很头疼的现象。单镜头画面看着精致，一切换到下一个镜头，人物样貌、道具、色调就跑偏。有开发者会问：**明明每个镜头都用了同一张参考图，跨镜头角色还是会变形，问题到底出在哪？**也经常听到业务同学的疑问：同样一套提示词，在画布节点串联生成，和单独生成每一段，效果为什么完全不一样？这不是简单提示词写得不好，本质是时序注意力与空间渲染两者协同失效。无限

电商平台商品内容更新频率高、SKU 数量大，传统实拍剪辑模式存在周期长、成本高、风格难统一的痛点。将现有商品主图、详情页图文素材一键转换为短视频，是降本提效的核心落地方向。星宇智算・Vera 1.1 针对电商场景优化主体畸变抑制、材质纹理保留、智能运镜匹配三大模块，支持单张 / 批量图文素材输入，快速生成可用于店铺挂载、信息流投放的商品短视频。直接用通用图生视频模型处理电商图文，会遇到四类高频商用

在商业 AI 视觉生产中，参考图引导生成是 IP 角色延续、系列物料、品牌视觉统一的核心链路，中国信通院《生成式人工智能产业白皮书》指出，图像跨实例一致性是制约 AIGC 工业化落地的关键短板之一。多数模型存在风格漂移、主体特征丢失、构图错位等问题，直接拉高后期修图成本。本文基于星宇智算 Vera1.1 开展多组对照实验，结合量化指标、参数调优、团队协作流程，客观呈现参考图引导模式下的一致性表现，

短片段 AI 视频在画面质感上已经达到商用门槛，但长片段视频生成依旧是多模态模型的主要难点。随着视频时长增加，会依次出现特征遗忘、时序漂移、物体异变、语义跑偏、光影跳变等一系列问题。星宇智算・Vera 1.1 针对长片段场景优化滑动时序注意力、分段特征缓存模块，同时保留模型客观存在的能力边界。本文基于内部多组对照样本数据，从参数配置、量化指标、业务适配、团队生产流程做完整梳理，所有数据来源于线上生

摘要：国产文生视频模型已经从演示效果转向工业化内容交付，语义还原、时序稳定性、物体逻辑、硬件资源开销共同决定业务可用率。本文基于 VBench 公开评测框架开展批量推理统计，覆盖文生视频、图生视频两大链路，测试样本共 160 组，涵盖电商商品、写实人物、二次元、环境场景四大类别；输出规格 720×1280，6 秒，24fps；采样步数 30 步；推理硬件 NVIDIA A10‑24GB。全部数据来