视频生成模型的分辨率竞赛很快会见顶，真正的难题在物理一致性：物体不能穿模、光影要随镜头变化、运动要符合惯性。

难在「长时一致性」

单帧看起来完美并不难，难的是 10 秒里每一帧都对得上。模型需要在潜在空间里维持一个稳定的世界状态，而目前的架构更擅长局部连贯，长程记忆仍然脆弱。

难在「因果」

真实世界有因果链：球撞倒杯子，杯子才碎。模型学到的是统计相关性，不是因果，所以偶尔会出现「先碎后撞」这种反直觉画面。

业界的三种解法

一是引入更强的 3D 先验与物理仿真作为约束；二是用更长的上下文窗口做时序建模；三是把生成拆成「关键帧 + 插帧」，用可控性换稳定性。三条路线都还在早期。

对使用者的意义

现阶段不要把视频模型当成「一次成片」的工具，而要当成「素材生成器」：先生成可用的镜头，再用剪辑与后期补齐逻辑。接受它不完美，反而能更早用起来。