Google Research 推出一套用于生成连贯长视频的智能体

2026 年 9 月 24 日，Google Research 博客发布了研究人员 Yale Song 和 Yiwen Song 撰写的文章《Automating coherent long-form video generation》。文章介绍了四个研究系统，每个都有一篇独立的 arXiv 论文作为支撑。它们作为编排层运行在 Gemini 和 Veo 模型之上；据 Google 称，这些系统沿用了底层模型的安全机制，包括 SynthID 水印，并对最终视频额外应用了分类器。AI Video Co-Director、CANVAS、A²RD 和 VQQA 这四个系统被包装成一套能够生成长视频、同时保持叙事和画面连贯的“工具组合”。但需要指出的是，每个系统都是在各自的论文中单独评估的：没有任何一份文档衡量过四者合为一条流水线时的表现。

Co-Director（arXiv 2604.24842，2026 年 4 月 27 日）是一个分层多智能体框架，利用多臂老虎机算法来选择创意策略、叙事方式和美学原型。作者提出了基于 400 个虚构广告场景的基准 GenAD-Bench，并报告质量得分为 81.4。不过，这一结果针对的是短广告片，而不是长达数分钟的叙事，也没有经过第三方复现。

CANVAS（arXiv 2604.13452，2026 年 4 月 15 日）为角色、场景和物体维持持续的视觉记忆。在分镜基准测试中，它相对最佳基线报告了背景连续性 +21.6%、角色一致性 +9.6%、物体一致性 +7.6% 的提升。这些指标针对的是图像序列，而非完整视频，因此它们对长视频生成有多大意义仍不确定。

A²RD（arXiv 2605.06924，2026 年 5 月 7 日）采用“检索—合成—精修—更新”（Retrieve-Synthesize-Refine-Update）循环逐段生成视频，报告称相比基线一致性最多提升 30%，叙事连贯性最多提升 20%。这些结果由作者自行报告（A²RD 有人工评估作为佐证），尚未经过独立复现。该系统在公开基准以及新的 LVBench-C 上进行了测试，视频时长从一分钟到十分钟不等。

VQQA（arXiv 2603.12310，2026 年 3 月 12 日）借助视觉问题和视觉语言模型的点评来优化提示词，无需访问模型内部（黑盒方式），相比基础生成在 T2V-CompBench 上绝对提升 11.57 分，在 VBench2 上提升 8.43 分。

博客展示了一段十分钟的演示视频，但不清楚它是由哪些系统组合生成的；第三方分析（Superpower Daily）将其归于 A²RD，但原始来源并未证实这一点。此外，所有数字均由作者自行报告，论文也都是 arXiv 预印本，因此证据是否扎实仍有待检验。这些是在 COLM、EMNLP 等 2026 年学术会议上发表的研究成果，而不是商业产品。