2024年2月16日，OpenAI发布Sora。北京日报当时的报道提到，它可以根据文本指令生成60秒视频。到了2026年，Sora、Veo、可灵（Kling）、Seedance等模型已经能交出相当逼真的短片。
但生产线验收的不是一条精心挑选的演示片。人物换个镜头会不会变脸，房间换个机位后家具是否还在原位，上一段打翻的杯子到了下一段是否继续遵守同一套运动规则，这些问题决定了素材能不能直接使用。
偶尔生成一条好片不难，难的是稳定重现。
好看了，逻辑还会断
一项面向ECCV 2026的研究用303道题测试视频生成模型，考察物体恒常性、因果时序、刚体运动等能力。研究者把这一维度称为“推理一致性（Reasoning Coherence）”。
这套测试把两个常被混在一起的指标拆开了：画面看起来是否可信，以及过程能否持续讲得通。模型可以画出玻璃落地、水杯倾倒或人物奔跑，也可能在前后镜头里悄悄改掉物体状态和运动规则。成片仍然流畅，底层逻辑已经断了。
这也是视频生成与世界模型之间最容易被忽略的距离。画面像真的，只能说明模型善于合成视觉结果；它是否建立了稳定的空间状态、因果关系和物理约束，还需要另一套测试。
一致性不是一项参数
工业场景所说的一致性，至少涉及人物、空间和规则。
人物一致性最直观。同一角色跨镜头出现时，脸、服装和随身物品都要保持稳定。空间一致性更隐蔽：镜头离开房间再转回来，家具位置、光源方向和遮挡关系不能随意变化。规则一致性最难。同一只杯子以相近方式被碰倒，液体和碎片的运动不能每次都像换了一套物理参数。
时长越长，这些误差越容易累积。因此，“能生成一分钟”与“一分钟都可用”需要分开评估。
清华大学自动化系与北京极佳视界科技有限公司发布的“视界一粟 YiSu”，把生成时长推进到1分钟以上。校方公开信息称，该模型融合LLM与扩散模型，并强调更低成本和更快速度。这说明研发目标已经从短片展示转向长时生成。
不过，仅凭时长和架构信息，还无法判断模型在重复生成中的稳定程度。人物能否跨镜头保持身份、错误能否限制在局部、长视频是否需要大量返工，仍要经过真实项目检验。
世界模型不能靠改名得到
“世界模型”在2025年成为热门概念。OpenAI的Sora、李飞飞及World Labs团队提出的技术三分法、NVIDIA Cosmos，常被放在同一条叙事里讨论。但它们面对的任务并不完全相同。
李飞飞团队提出的三分法区分了生成式、可交互和可仿真的世界模型。生成式模型关注可见结果；可交互模型需要根据动作持续反馈；可仿真模型还要让状态按照约束长期演化。三种目标的验收方式自然不同。
北京智源人工智能研究院院长王仲远在相关采访中提到，行业同时存在概念滥用、路线分歧和标准缺失。他用“天上飞的猪”概括当前短板：模型可以生成吸引眼球的画面，物理规律仍未成为稳定约束。
影视素材还能通过剪辑避开错误，机器人和自动驾驶训练则没有这个余地。后者需要环境根据动作给出连续反馈，状态还能被追踪、回放和验证。两类产品都可能使用视频数据，实际面对的是两张完全不同的验收表。
生成费之外，还要把重来算进去
工业用户计算成本时，模型调用费只是其中一项。人物变脸要重跑，场景漂移要局部重绘，一致性问题还会带来人工审核、剪辑和废片成本。如果一个镜头出错就得推倒整段，生成价格再低，也很难形成稳定产能。
现有公开介绍多会强调速度和成本优势，却很少给出可横向比较的单条总成本、重试率和成片可用率。缺少统一口径时，贸然给视频生成列出精确价格表并不可靠。
更值得关注的是复用能力。角色设定、场景资产和镜头模板能否沉淀下来，失败后能否只重做局部，都会影响最终账本。每条视频都从头碰运气，产线就很脆弱。
现阶段，更适合先放入流程的仍是可返工、可缓存的环节，例如影视预演、动画概念稿、局部特效和广告模板。实时交互任务的门槛更高；涉及事实真实性的新闻和纪实内容，也不宜直接把生成画面当作事实影像使用。
生产线最后看重可重放
判断一款视频模型能否进入生产，可以先问三个具体问题：
- 同样的输入和约束下，人物、空间与动作规则能否稳定复现？
- 某个镜头失败后，能否局部回退，而不用推倒整段视频？
- 把生成、重试、审核和后期都算进去，项目是否仍有成本优势？
分辨率、时长和镜头语言依然重要，但工业用户还需要可验收、可回退、可替换的结果。世界模型要进入生产环节，最终也得落到这些具体能力上：结果可控，规则连续，账本算得清。
