Google Research prezentuje zestaw agentów do długich, spójnych filmów

24 września 2026 roku na blogu Google Research ukazał się tekst Automating coherent long-form video generation autorstwa badaczy Yale Songa i Yiwen Song. Opisuje on cztery systemy badawcze, każdy oparty na osobnej publikacji w arXiv, które działają jako warstwa orkiestracji nad modelami Gemini i Veo. Według Google dziedziczą one mechanizmy bezpieczeństwa tych modeli, w tym znak wodny SynthID, a do gotowych filmów stosowane są dodatkowe klasyfikatory. Systemy – AI Video Co-Director, CANVAS, A²RD i VQQA – przedstawiono jako zestaw zdolny do generowania długich filmów z zachowaniem spójności fabularnej i wizualnej. Trzeba jednak zaznaczyć, że każdy system oceniano osobno, we własnej publikacji: żaden z dokumentów nie mierzy wyników całej czwórki działającej razem jako jeden pipeline.

Co-Director (arXiv 2604.24842, 27 kwietnia 2026) to hierarchiczny framework wieloagentowy, który za pomocą algorytmu wielorękiego bandyty (multi-armed bandit) wybiera strategię twórczą, tryb narracji i archetyp estetyczny. Autorzy wprowadzili benchmark GenAD-Bench, oparty na 400 fikcyjnych scenariuszach reklamowych, i podają wynik jakości 81,4. Dotyczy on jednak krótkich spotów reklamowych, a nie kilkuminutowych opowieści, i nie został powtórzony przez niezależne zespoły.

CANVAS (arXiv 2604.13452, 15 kwietnia 2026) utrzymuje trwałą pamięć wizualną postaci, miejsc i obiektów. Względem najlepszego punktu odniesienia raportuje na benchmarkach storyboardowych poprawę o 21,6% w ciągłości tła, o 9,6% w spójności postaci i o 7,6% w spójności obiektów. Te miary dotyczą sekwencji obrazów, a nie pełnych filmów, więc ich znaczenie dla generowania długich wideo pozostaje niepewne.

A²RD (arXiv 2605.06924, 7 maja 2026) wykorzystuje pętlę Retrieve-Synthesize-Refine-Update, by generować film segment po segmencie, i wskazuje na wzrost spójności do 30% oraz spójności fabularnej do 20% w porównaniu z punktami odniesienia. Wyniki podają sami autorzy (w przypadku A²RD popierając je ocenami ludzi) i nie zostały one niezależnie powtórzone. System testowano na publicznych benchmarkach oraz na nowym LVBench-C, z filmami trwającymi od jednej do dziesięciu minut.

VQQA (arXiv 2603.12310, 12 marca 2026) wykorzystuje pytania wizualne i krytykę modelu wizyjno-językowego do optymalizacji promptów bez dostępu do samego modelu (czarna skrzynka), osiągając bezwzględną poprawę o 11,57 punktu na T2V-CompBench i o 8,43 na VBench2 względem generowania bazowego.

Blog pokazuje dziesięciominutowy film demonstracyjny, ale nie wiadomo, jakie połączenie systemów go wytworzyło; zewnętrzna analiza (Superpower Daily) przypisuje go A²RD, czego jednak źródło pierwotne nie potwierdza. Ponadto wszystkie liczby podają sami autorzy, a publikacje to preprinty w arXiv, więc solidność dowodów dopiero trzeba sprawdzić. Są to prace badawcze, prezentowane na konferencjach w 2026 roku, takich jak COLM i EMNLP, a nie produkt komercyjny.