视频生成不懂物理？川大新框架用事件链思维，物理正确率暴涨至72.5%

原论文信息如下：

论文标题:
基于视觉-语义事件链条件的物理合理视频生成

发表日期: 2026年09月
发表单位: 四川大学
原文链接: https://arxiv.org/pdf/2609.00656v1.pdf

视频生成模型这两年火得一塌糊涂，几秒钟的文生视频片段足以让人分不清真假。但你要是让它们生成一个"玻璃杯从桌上滑落"的画面，大概率会看到杯子先是纹丝不动，然后瞬间出现在地面上，或者干脆穿桌而过——整个过程中，重力、加速度、碰撞这些物理量完全成了摆设。

做个不太恰当的类比，这就像让一个天赋绝伦的画师去画"苹果落地"，他画得出晶莹剔透的果皮和惟妙惟肖的光影，却不知道苹果应该先加速下落、再弹跳两下、最后滚到墙角才停下来。画面很美，但物理不及格。

物理视频生成：从"像"到"是"的跨越

这项名为 Physically Plausible Video Generation (PPVG) 的研究方向，目标就是让AI生成的视频不再只是"看起来像"某个场景，而是"本质上符合"物理规律。它对于电影特效制作、自动驾驶仿真、具身智能训练这些真实世界应用来说，都是绕不开的关键技术。

现有的视频生成模型，如Kling、Gen-3、Sora这些顶级产品，生成静态画面早已以假乱真，但一旦涉及动态物理过程，就常常"翻车"。过往的PPVG研究大致分成三条技术路线：基于图形引擎仿真的方法，用物理引擎去模拟运动，但需要用户手动指定引擎参数；基于反馈驱动优化的方法，用物理信息偏好或奖励来调整生成结果，但成本高昂且难以覆盖开放域场景；基于提示增强的方法，用思维链 (CoT) 为大模型补充物理知识提示词。这些方法有一个通病——它们都在"整体描述"层面做文章，把物理现象当作一个不可分割的单一快照来处理，忽视了现象内部存在的因果演进链条。

换句话说，现有模型能回答"发生了什么"，却说不清"先发生什么、后发生什么、每个阶段的具体状态是什么"。

事件链推理：给物理现象装上"因果骨架"

这篇来自四川大学的工作提出了一个崭新的视角——把物理视频生成重新定义为事件中心的生成任务。论文第一模块名为 Physics-driven Event Chain Reasoning (PECR)，这一模块不再试图用一段话描述整个物理现象，而是将完整现象拆解为一条因果相连的事件链，每个事件都由演化中的场景图来表示。

比如"倒水"这个动作，传统提示词只会写"一个人往杯子里倒水"。而PECR模块会先把初始状态解析成一张场景图——节点是物体（手、水壶、杯子、桌面），边是物体间的交互关系（手握着水壶、水壶倾斜）。然后基于物理约束（重力、流体力学），递归推理出后续场景图的候选集，并用大模型打分选出最合理的结果图。于是就有了"手倾斜水壶→水流出壶口→水流落入杯中→杯中水面上升→手停止倾倒"这一连串事件边界。

更关键的是"物理量估计"这一步。大模型虽然能推理文本，但直接让它估算倾斜角度、液体体积这些数值并不靠谱。论文的做法是先让大模型生成物理公式查询，再在线检索候选物理公式，用语义相似度选出最匹配的公式。然后借助符号代数引擎解析公式中的变量，将其映射到场景图对应的节点和边上，最后通过解公式或查询知识库来得到这些物理量的具体数值。这样一套流程下来，每个事件边界上的物体状态和交互关系都被赋予了可量化的物理属性，事件链本身就成了一份带数值的"物理剧本"。

关键帧路由：让每个物理变化都有"专属导演"

有了事件链这份"物理剧本"还不够，还需要把它变成画面。第二个核心模块 Transition-aware Routed Keyframe Conditioning (TRKC) 专门解决这一问题，它负责为每个事件生成专属的关键帧，再把这些离散的关键帧平滑地注入视频生成的去噪过程中。

物理事件带来的视觉变化五花八门，有的只是颜色改变（铁块烧红），有的是纹理渐变（表面结霜），有的是整体位移（球滚下坡），还有的是几何形变（易拉罐被压扁）。用一个通用的图像编辑模型去处理所有情况，效果自然大打折扣。TRKC模块巧妙地设计了一套事件路由机制：根据场景图前后差异推断出的物理变化类型，自动选择最匹配的仿真算子。论文中一共设计了颜色变化、纹理变化、位移和形变四种专用算子，外加一个处理物体新增或删除等情况的默认算子。

比如"位移"算子，先用分割模型SAM把上一帧中的运动物体抠出来作为前景层，再由视觉语言模型VLM估计物体在图像平面的平移和旋转量，把物体挪到新位置后让编辑模型补全空白区域，这样既保持了物体外观的一致，又真实反映了空间位置变化。而"形变"算子则由VLM参数化几何变化，包括缩放比例和轮廓偏移量，再据此重绘形变后的物体遮罩，让编辑模型按新的几何轮廓"重塑"物体。

关键帧生成后，还要考虑怎么用它引导视频生成。论文没有直接把关键帧特征硬塞进生成管线（那样容易造成镜头跳变），而是采用了一种精妙的残差引导策略：把插值后的关键帧特征减去初始关键帧特征，得到的差值作为"事件演化增量"，在去噪过程中逐步注入。这样做的好处是，模型每一步都知道"当前画面相对起点已经发生了什么变化"，从而保证视频演化的连续性和物理一致性。

反事实引导：教会AI"什么不该发生"

有了正向的物理剧本和视觉锚点，还有一个问题没有解决：模型怎么知道哪些动态是物理上不允许的？现实中，液体往下流却变成往上飞，冰块入水不是浮着而是直沉到底——这些"反物理"情况与正确情况之间的差别往往只差一个方向或一个状态的改变，仅靠正面提示词很难让模型学会区分。

第三个核心模块 Physics-injected Contrastive Semantic Guidance (PCSG) 正是为应对这一挑战而生。它首先把描述每个事件的冗长叙述压缩成一段精炼的正面语义提示，保留关键的物理变化和可观察效果。与此同时，它还会刻意构造"反事实"负面提示——在保持物体和背景不变的情况下，对某个物理量施加违背物理规律的扰动。例如，把"液体从倾斜容器中向下流出"改写为"液体沿倾斜容器向上流出"，通过反转速度方向来构造反事实。

这两个条件在无分类器引导 (Classifier-Free Guidance) 机制下协同工作，正面提示负责"指出正确方向"，反事实负面提示负责"划清禁止区域"，双管齐下把生成过程推向物理合理的动态演化区间。

实验验证：四大基准全面领先

为全面评估方法性能，论文在四个物理视频生成基准上做了实验：PhyGenBench（覆盖力学、光学、热学、材料四个物理域的160条描述）、VideoPhy（含688条涉及固-固、固-液、液-液交互的提示）、PhyWorldBench（既含基础物理场景也含故意违背物理的"反物理"场景）以及Physics-IQ（给定条件图像推断后续物理过程的396个视频）。所有实验都在单张80G显存的NVIDIA H100上完成，且不需要对底层视频生成模型做任何额外训练。

在PhyGenBench的对比中，本方法展现出显著优势。以CogVideoX-5B为基座模型，本方法在力学、光学、热学、材料四个域上的PCA得分分别达到70.0%、78.7%、76.7%、64.2%，平均分高达72.5%。相比之下，PhysHPO（此前最强的物理感知生成方案之一）平均分为61.0%，DiffPhy和VideoDPO均为54.0%。值得注意的是，本方法对不同基座模型都带来了大幅增益：将CogVideoX-5B的均值从45.0%提升到72.5%，将Wan2.1-14B从40.0%提升到70.8%，将Wan2.2-14B从54.0%提升到72.1%。

在VideoPhy基准上，以CogVideoX-5B为基座时，本方法在固-固、固-液、液-液三类交互上的SA-PC得分分别达到50.0%、63.0%和63.8%，综合得分58.5%，明显超过PhysHPO的45.9%。在PhyWorldBench上，本方法在将Wan2.2-14B从33.2%提升至36.8%（基础物理场景），反物理场景从4.8%提升至7.6%。在Physics-IQ上，本方法以Wan2.2-14B为基座，将综合得分从38.3%提升至44.9%，甚至超过了使用奖励模型做Best-of-N选择的WMReward方法（44.4%）。

定性结果更能直观说明问题。图5展示了五个典型物理现象的生成效果对比：易拉罐逐步被压扁、干树叶被点燃、海绵被酸液碳化、石头在水中下沉、铅笔在弹力薄膜上压出凹陷。基线模型Wan2.2-14B常常出现事件延迟发生或中间状态缺失——比如易拉罐直接从完好跳变为完全压扁，树叶"啪"地一下变成灰烬。而本方法生成的视频，能呈现从触发交互到物理响应的完整连续演化过程。

消融实验进一步验证了各模块的贡献。去掉TRKC后平均得分从72.5%降到66.9%，去掉PCSG后降到69.2%。当把PECR中的物理公式推理移除、改为让VLM直接估算数值时，得分降为71.7%；若连物理量绑定也一并去掉，得分进一步降至71.0%。这些结果表明，事件链中每个环节都对最终物理合理性有实实在在的贡献。

视频模型在“像素空间”里很强，但在“物理空间”里很弱。它能渲染出玻璃杯的光泽、水花的晶莹、火焰的跳跃，却不知道玻璃杯掉到地上应该先弹一下，还是直接碎开；也不知道火焰需要可燃物、氧气和温度积累，而不是“啪”一下凭空烧起来。 为什么会这样？因为常规训练数据只给了模型大量“文本—视频”对，却没有给中间过程做显式的物理标注。模型看过千万个“苹果落下”的画面，却没有人告诉它：苹果在重力作用下先加速，碰到地面后速度反向，能量损耗导致弹跳逐次衰减，最后靠摩擦力停下来。数据里隐含了规律，但模型并不一定能把规律抽象成可迁移的因果知识。 更麻烦的是，单纯靠提示词也很难弥补。有人想过用思维链（CoT）让大语言模型先把物理原理写出来，比如“这里有重力、摩擦力、动量守恒……”，再把这段长篇大论交给视频模型。听起来合理，但自由文本是整体性描述，它把“原因、过程、结果”全部揉成一团，模型依然很难知道哪个阶段对应哪个状态、物体在每一刻应该长成什么样。换句话说，AI背了一肚子物理公式，却仍然不知道“倒水”应该先倾斜壶身，再让水流出，然后看着杯内液面上升。 这篇来自四川大学的工作，给出的解法非常直接：别让AI脑补物理过程，先把物理过程拆成一条带约束、带数值、带画面的“事件链”，然后再去生成视频。

物理视频生成：从“像”到“是”的跨越

论文把这种思路概括为 事件中心生成（Event-Centric Generation）。所谓事件，不是“倒水”“燃烧”“滚动”这种粗粒度动作标签，而是一次由物理约束驱动的状态转移：前一个状态是什么，后一个状态是什么，中间经历了什么变化，这个变化由哪条物理规律支配。把一串事件首尾相接，就构成了一条事件链。

对比一下传统提示词和事件链的差别。传统提示词写“把水倒进玻璃杯”，模型收到的是一个整体指令；事件链则会把现象拆成“手将壶身倾斜→壶嘴处出现水流→水流在重力作用下落入杯中→杯内液面逐步上升→液面趋于静止”。其中每一步都对应一个可验证的物理状态，而不是一团模糊的语义。

这个表述上的转变看似简单，实际上是把“物理合理性”从模型的隐性负担里拿了出来，变成一种显式的中间表征。有了事件链，视频生成就不再是一步到位的“文本→视频”映射，而是“文本→事件链→关键帧→视频”的逐步落地过程。后面所有的技术模块，都是在给这条事件链配上合适的推理、视觉和语义条件。

事件链推理：给物理现象装上“因果骨架”

事件链不是随便拆出来的，论文第一个核心模块叫 Physics-driven Event Chain Reasoning（PECR），即“物理驱动的事件链推理”。它的任务，是把一个物理现象拆解成带因果顺序的事件序列，并给每个事件配上可量化的物理量。

PECR的第一个关键设计，是用场景图（Scene Graph）来表征每个事件边界上的物理状态。什么是场景图？简单说，就是把画面里的对象和关系画成一张“图”：节点是物体及其属性，比如“水壶（材质：陶瓷，倾斜角：30°）”“杯子（容量：300ml）”“桌面”；边是物体之间的交互，比如“水壶倾斜于杯子上方”“水流从壶嘴落入杯中”。相比自由文本，场景图的好处是结构清晰，便于比较两个状态之间的差别，也便于把物理量挂到具体的物体和关系上。

具体来看，PECR先把用户输入的描述解析为初始场景图，然后进入递归推理过程。每一步都基于当前场景图，去推断下一步可能涉及的物理约束，比如“这里存在重力作用下的自由落体”“这是酸和碱的中和反应”，再在这些物理约束的引导下生成多个候选后继场景图。这个时候，需要一个打分函数来判断哪个候选最合理。论文用一个简单而有效的公式来描述：

其中 Ĝₙ 代表候选的后继场景图，Gₙ₋₁ 代表当前状态，Pₙ 代表这一步演化所遵循的物理约束。打分函数 Φ 由大语言模型实现，它的核心比较逻辑是：候选场景图带来的物体属性变化和关系变化，越符合 Pₙ 描述的物理规律，得分越高。每一轮都选出得分最高的后继图，循环往复，最终得到一条场景图链：G₀ → G₁ → … → Gₙ。

但场景图只解决了“定性描述”的问题，还缺一个最硬核的部分——物理量的数值从哪来？比如，水壶究竟要倾斜多少度，水流速度是多少，液体体积如何变化？如果直接让大语言模型估计这些数值，结果往往会“一本正经地胡说八道”，因为语言模型擅长文本生成，却不擅长数值计算和物理一致性校验。

论文的解决方案是：让模型去检索真实的物理公式，再用符号代数引擎解析和计算。流程大致分四步：第一步，基于当前物理约束生成公式查询，比如“流量与流速、截面积的关系”；第二步，用这些查询去在线检索候选公式，并计算每个候选公式与查询之间的语义相似度；第三步，选出相似度最高的公式；第四步，借助符号代数引擎解析公式中的变量，让大语言模型把这些变量对应到场景图中的具体节点和边，最后通过解方程或查询知识库得到数值。

公式 2 里的 F*ₙ 表示最终选定的最优物理公式，f 遍历候选公式集合，N_Pₙ 是根据物理约束生成的公式查询向量，sim 就是语义相似度函数。如果最优公式的相似度仍然低于阈值，模型会基于已有候选重新组织查询，再来一轮，直到找到足够可靠的公式为止。

这一步做完，场景图里每个对象节点和关系边都被“挂上”了具体的物理量，比如倾斜角度、体积、流速、温度变化速率。接下来，相邻两张带物理量的场景图放在一起做差分，差出来的内容就是事件的完整定义：

事件 eₙ 由前一张场景图 G*ₙ₋₁、后一张场景图 G*ₙ，以及支配这次转移的物理约束 Pₙ 共同组成。也就是说，每个事件不仅告诉模型“画面变成什么样”，还告诉它“这种变化是在什么物理条件下发生的、变化的幅度有多大”。这份带数值的因果骨架，就是后续视觉生成和语义引导的共同基础。

关键帧路由：让每个物理变化都有“专属导演”

事件链是“剧本”，但光有剧本还不行，还得有人把它画成分镜图。论文的第二个核心模块叫 Transition-aware Routed Keyframe Conditioning（TRKC），也就是“兼顾转移类型的路由式关键帧条件”。它的职责是：为事件链里的每一个事件生成一个关键帧，再把这些关键帧转成视频生成过程中的视觉引导。

为什么不能直接让图像生成模型根据文字描述一个个画关键帧？因为物理事件带来的视觉变化类型差异极大：铁块烧红是颜色变化，表面结霜是纹理变化，皮球滚下坡是整体位移，易拉罐被压扁是几何形变。如果所有事件都套同一个编辑模型，常常会顾此失彼——处理颜色变化的模型可能擅长改色调，却很难把物体从一个位置“搬”到另一个位置还保持外观一致。

TRKC的巧思在于“路由”二字。它先让视觉语言模型（VLM）观察前后两张场景图的变化，以及前一个关键帧的画面内容，推断这次事件应该走哪条编辑路线。然后设计了四个专用物理仿真算子：颜色变化算子、纹理变化算子、位移算子、形变算子，外加一个处理物体新增或删除的默认算子。

以“位移”为例。先把前一帧里的运动物体分割出来，做成一个可移动的前景层，再让 VLM 根据场景图变化估计物体在图像平面上的平移量和旋转量，把物体挪到目标位置后，由图像编辑模型补全留下的空白区域。这样做可以尽量保证物体外观在运动前后保持一致，而不是像很多端到端生成模型那样，物体一动就“变形”。再看“形变”，VLM 会参数化缩放比例和轮廓偏移量，重画一个形变后的物体遮罩，再让编辑模型在这个新遮罩里按照形变语义重建物体。

整个关键帧合成过程可以写成这样：VLM 根据场景图转移和上一帧关键帧，推出空间编辑信号和语义编辑条件，再用分割模型确定编辑区域，最后用图像编辑模型生成新关键帧。关键帧生成后，难点又来了：事件边界是离散的，视频是连续的，怎么让模型在相邻两个关键帧之间平稳过渡？

论文的做法是，先把关键帧编码到扩散模型的潜空间，再沿时间轴对相邻关键帧的特征做线性插值。这样任意一个中间时刻都能得到一条“软引导”特征。但这里有一个细节：如果直接把插值特征当作引导条件，模型容易产生画面跳变。论文干脆换了一种思路，用插值特征减去初始关键帧的特征，得到一个累积变化增量：

这个增量 d 既包含了前面所有已完成事件带来的累计变化，也包含了当前正在发生的这一段事件的变化。去噪过程中，把它按一定强度加到当前噪声特征上：

这种“残差引导”的本质，是不断告诉扩散模型“从起点到现在画面已经改变了多少”，然后再让模型去决定接下来应该怎么变。相比直接把目标关键帧硬贴上去，这能大幅减少中间状态的跳跃感，让物理过程看起来像是一个连续展开的故事，而不是几张幻灯片在轮流播放。

反事实引导：教会AI“什么不该发生”

有了事件链，有了关键帧，视频模型已经能大致沿着正确的物理路径走了。但还有一个隐患：物理上“不对”的画面，往往和“对”的画面非常接近，差别可能只是速度方向反了，或者水位上升变成了下降。仅靠正向提示词，模型很难建立起这种“反物理禁区”的概念。

第三个核心模块 Physics-injected Contrastive Semantic Guidance（PCSG），就是专门解决“什么不该发生”的问题。它的做法可以拆成两步：正向条件压缩，以及反向反事实构造。

先说正向压缩。一个复杂的物理现象可能包含七八个事件，如果每个事件都写成一句话，全部堆给视频模型，模型很容易“看不过来”，反而抓不住重点。PCSG模块会把事件链里逐事件的描述提炼成一段紧凑的正向提示，只保留那些会显著影响画面变化的物理过程和可观察效果。比如“水壶逐步倾斜，水流从壶口落入杯中，杯内液面不断上升”，一句话讲清主干，而不是把大量冗余的细节全部塞进去。

再说反事实构造。这一步非常有意思：论文会刻意对事件中的物理量施加违反物理规律的扰动，生成一段“如果物理定律出了错，画面会怎样”的负向提示。例如，将“液体从倾斜容器中向下流出”改成“液体沿倾斜容器向上流出”，将“冰块入水后浮在水面”改成“冰块入水后直沉到底”。这类反事实提示，和正向提示共享几乎完全相同的对象与场景，唯一不同的就是偏离了物理约束，因此能给模型提供很强的对比信号。

两种语义条件最终是通过无分类器引导（Classifier-Free Guidance，简称 CFG）发挥作用的。CFG 本来是一种让扩散模型在生成时增强条件控制的技术，常见用法是在“无条件生成”和“有条件生成”之间做插值。PCSG把它升级成了一个对比版本：

在这个公式里，ε₀ 代表扩散模型的去噪预测，W₋是反事实负向条件的文本编码，W₊是压缩后的正向条件文本编码，γ 是引导强度。模型会先以反事实条件为“起点”，然后沿着“正向条件减反事实条件”的方向推一步。直观理解就是：物理上不该发生的事是地板，物理上应该发生的事是天花板，模型被夹在中间，被明确告知应该往哪个方向走。

这种“正反成对”的语义引导，比单纯写一句负面提示“低质量、模糊、画面扭曲”要精准得多，因为通用的负面提示并没有针对当前事件的具体物理规则。物理模拟里最怕的不是整体画质崩坏，而是“一切看起来都很正常，唯独运动方向反了”。PCSG的反事实提示，恰好把这一类“细粒度物理违规”暴露在模型面前。

实验验证：四大基准全面领先

方法设计得再漂亮，也得看成绩单。论文在四个公开基准上进行了全面评测：PhyGenBench 覆盖力学、光学、热学、材料四个物理域；VideoPhy 重点考察固-固、固-液、液-液等物体交互类型；PhyWorldBench 则额外加入了一类“故意违背物理常识”的反物理场景；Physics-IQ 的玩法不太一样，它需要模型根据一张初始状态图，预测接下来的物理过程。评测基准覆盖面和难度都相当可观。

尤其值得注意的一点是：整个框架不需要对视频生成模型做任何训练或微调，而是以“条件注入”的方式直接驱动现成的开源视频基座模型。论文在 CogVideoX-5B、Wan2.1-14B 和 Wan2.2-14B 三个不同的基座上都做了测试。可以在 PhyGenBench 看到，将 CogVideoX-5B 的物理贴合度均值从 45.0% 提升到 72.5%，把 Wan2.1-14B 从 40.0% 提升到 70.8%，把 Wan2.2-14B 从 54.0% 提升到 72.1%。不同基座、不同规模的模型，都能获得十几到二十几个百分点的显著增益，说明事件链条件确实具有较好的跨模型迁移能力。

再看看另外三个基准上的表现。VideoPhy 的评测结果里，在 CogVideoX-5B 基座上，综合得分明显高于 PhysHPO 等近期方法；PhyWorldBench 上，基础物理场景和反物理场景均有提升，特别是在反物理场景中，模型需要学会“拒绝”那些不符合常识的动态；Physics-IQ 上的表现也值得一提，甚至超过了使用奖励模型做 Best-of-N 挑选的 WMReward 方法，而后者的推理成本要高得多。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？视频大模型常把"倒水"生成"瞬移"，症结在于缺少事件链思维。四川大学等提出事件中心范式，用物理公式驱动的场景图链+路由关键帧+反事实引导，在PhyGenBench上物理贴合度从54%提升至72.5%。

这篇工作最值得看的点是什么？在PhyGenBench、VideoPhy、PhyWorldBench和Physics-IQ四个基准上均取得最优或次优性能，显著超越现有PPVG方法，在多个视频生成骨干上均有一致提升。

这篇工作的边界或风险在哪里？优点：(1) 提出事件中心范式，将物理现象分解为因果事件链，比全局描述更精细；(2) 物理公式增强的场景图提供定量物理量，增强因果建模；(3) 路由关键帧机制适应异构视觉变化；(4) 反事实语义引导增强判别性。缺点：(1) 依赖LLM和VLM的推理质量，存在误差累积风险；(2) 关键帧编辑质量直接影响最终视频质量；(3) 计算开销较大，涉及多阶段处理；(4) 对长时程物理过程的建模能力有限。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

提出事件中心的思维链框架，将物理现象分解为因果关联的事件链，通过物理公式增强的场景图演化进行推理，并利用路由关键帧与对比语义引导来条件化视频扩散模型，从而生成物理上合理的视频。

实验合理度：★★★★☆

PCA (Physical Commonsense Alignment), SA (Semantic Adherence), PC (Physical Commonsense), Spatial IoU, Spatiotemporal Io。

学术研究价值：★★★★☆

提出事件中心的思维链框架，将物理现象分解为因果关联的事件链，通过物理公式增强的场景图演化进行推理，并利用路由关键帧与对比语义引导来条件化视频扩散模型，从而生成物理上合理的视频；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

未明确给出具体FLOPs，实验在单张NVIDIA H100 GPU（80GB）上进行

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：(1) 依赖LLM和VLM的推理质量，存在误差累积风险；(2) 关键帧编辑质量直接影响最终视频质量；(3) 计算开销较大，涉及多阶段处理；