Google Research svela una suite di agenti per video lunghi e coerenti

Il 24 settembre 2026 il blog di Google Research ha pubblicato Automating coherent long-form video generation, firmato dai ricercatori Yale Song e Yiwen Song. Il post descrive quattro sistemi di ricerca, ognuno supportato da un paper arXiv distinto, che operano come strato di orchestrazione sopra i modelli Gemini e Veo e, secondo Google, ne ereditano i meccanismi di sicurezza, tra cui la filigrana SynthID, con classificatori aggiuntivi applicati ai video finali. I sistemi – AI Video Co-Director, CANVAS, A²RD e VQQA – sono presentati come una suite capace di generare video lunghi mantenendo coerenza narrativa e visiva. Va detto però che ciascun sistema è stato valutato separatamente nel proprio paper: nessuno dei documenti misura le prestazioni dei quattro usati insieme come un'unica pipeline.

Il Co-Director (arXiv 2604.24842, 27 aprile 2026) è un framework multi‑agente gerarchico che utilizza un algoritmo multi‑armed bandit per scegliere strategia creativa, modalità narrativa e archetipo estetico. Gli autori hanno introdotto il benchmark GenAD‑Bench, basato su 400 scenari pubblicitari fittizi, e dichiarano un punteggio di qualità di 81,4. Tuttavia, questo risultato riguarda spot pubblicitari brevi e non narrazioni di minuti, e non è stato replicato da terze parti.

Il sistema CANVAS (arXiv 2604.13452, 15 aprile 2026) mantiene una memoria visiva persistente di personaggi, luoghi e oggetti, riportando miglioramenti, rispetto al miglior baseline, del +21,6 % nella continuità degli sfondi, +9,6 % nella coerenza dei personaggi e +7,6 % nella coerenza degli oggetti su benchmark di storyboard. Queste metriche si riferiscono a sequenze di immagini, non a video completi, perciò la loro rilevanza per la generazione di video lunghi resta incerta.

A²RD (arXiv 2605.06924, 7 maggio 2026) adotta un ciclo Retrieve‑Synthesize‑Refine‑Update per generare video segmento per segmento, segnalando fino al 30 % di aumento della coerenza e al 20 % della coerenza narrativa rispetto ai baseline. I risultati sono dichiarati dagli autori (per A²RD con valutazioni umane a supporto) e non sono stati replicati in modo indipendente. Il sistema è stato misurato su benchmark pubblici e sul nuovo LVBench‑C, con video da uno a dieci minuti.

VQQA (arXiv 2603.12310, 12 marzo 2026) utilizza domande visive e le critiche di un modello visione‑linguaggio per ottimizzare i prompt senza accedere al modello (black‑box), con miglioramenti assoluti di 11,57 punti su T2V‑CompBench e 8,43 su VBench2 rispetto alla generazione di base.

Il blog mostra un video dimostrativo di dieci minuti, ma non è chiaro quale combinazione di sistemi abbia prodotto tale esempio; un'analisi di terzi (Superpower Daily) lo attribuisce ad A²RD, ma la fonte primaria non lo conferma. Inoltre, tutti i numeri sono dichiarati dagli autori e i paper sono preprint su arXiv, perciò la robustezza delle evidenze rimane da verificare. Si tratta di lavori di ricerca, presentati a conferenze del 2026 come COLM ed EMNLP, e non di un prodotto commerciale.