ATAS：以世界状态为中心的视频生成智能体框架

从剧本文本到一致镜头：视频生成的新难题

长视频、多镜头的影视级内容生成正在成为生成式AI的下一个战场。然而，当前主流方案在跨镜头一致性上普遍力不从心：当你希望模型"回到"同一场景的另一个角度，或者在后续镜头中重新展现此前发生过的某个事件时，仅靠传递提示词或最近几帧画面，模型并无法建立起统一的空间参照，也没有一条按时间索引的可回放记录。

这正是论文《Any Time, Any Space》试图解决的核心问题。作者提出了一个名为 ATAS（Any Time, Any Space） 的框架，把视频生成从"逐镜头拼接"升级为"围绕世界状态进行调度"。

跨镜头一致性指的是在多个独立生成的视频片段之间，保持场景布局、物体外观、光照氛围与事件逻辑彼此吻合的能力。它与单镜头内的时序一致性（相邻帧不闪烁、运动平滑）是两个不同层次的问题：后者只需在秒级窗口内建模，而前者要求模型在几分钟乃至更长的时间跨度、以及镜头切换带来的视角跳变中，仍然维持一个稳定的隐含世界表征。传统做法依赖首尾帧条件化、参考图注入或长上下文窗口，但这些手段本质上是把「记忆」压缩进token或潜变量中，一旦间隔变长，空间参照就会漂移，也无法支持对某个特定历史时刻的精确回访。

ATAS 的核心思路：把剧本编译为可检索的镜头请求

ATAS 的关键设计，是把一段剧本"编译"成带有显式引用的镜头请求。每个镜头请求都明确标注了三类信息：拍摄地点（location）、摄像机参数（camera）、事件时间（event-time）。有了这些结构化引用，非连续镜头之间才能共享同一套空间与时间坐标。

这一层编译让视频生成本质上变成了"检索—生成—登记"的循环，而不是单纯依赖上下文的黑箱推理。

在影视制作中，镜头请求通常包含景别、机位、运动轨迹与时间码等要素，是导演与摄影指导之间沟通的最小执行单元。ATAS 借用这一行业惯例，把它形式化为可被模型解析的结构化对象：location 提供空间锚点，camera 描述观察这一空间的视角变换，event-time 则给出该镜头在故事时间轴上的位置。三者组合起来，等于为每个镜头分配了一组「世界坐标系中的查询条件」，使得即便两个镜头在生成顺序上并不相邻，也能被定位到同一空间与同一时间线上，从而避免模型仅凭语义相似度去猜测场景关联。

生成前检索：场景记忆与事件记忆

在执行每个镜头请求之前，ATAS 会从两套独立维护的记忆中检索相关证据：

• 场景记忆（scene memory）：存储已登记的静态几何信息，为空间重现提供参照；
• 事件记忆（event memory）：按场景、事件、时间三个维度索引的动态观测记录，支持对早前事件的回放式重建。

这种"静态几何 + 动态观测"的双记忆结构，本质上为视频世界搭建了一份可查询的状态表。模型不再仅仅"看到"上一帧，而是能"查阅"这个世界此前被确认过的样子和发生过的事。

检索增强生成（RAG） 在大语言模型中已较为成熟，其思路是让模型在生成前先取回与当前查询相关的证据，而非完全依赖参数中固化的知识。ATAS 把这一范式迁移到视频领域：生成前的检索相当于为当前镜头准备一份「布景说明书」与「事件档案」。区别在于，文本检索的单元是段落，而视频检索的单元是几何结构与动态观测，前者决定画面该长什么样，后者决定画面里应该正在发生什么。这种分离使两个维度可以各自独立演进——场景可以保持不动而事件不断推进，也可以场景切换而事件延续。

生成后登记：只有通过审核的观测才进入记忆

ATAS 在生成完成之后，会重建并登记该片段。一个重要细节是：只有当审核与状态检查都通过时，观测才会被写入记忆。这避免了错误画面污染世界状态、并在后续镜头中被不断放大。

作者同时强调，影片交付与记忆准入是解耦的——即使某个片段未被记忆接受，最终输出仍然独立完成。这种设计兼顾了产出流程的稳定性与记忆库的可靠性。

实验结果：跨镜头一致性全面提升

论文给出的数字相当有说服力：

• 在四种不同的视频生成器上，ATAS 提升了所有报告的跨镜头一致性指标；
• 对每一种骨干模型，ATAS 都取得了最高的综合基准分数；
• 在目标图像的空间重现任务上，它优于所对比的智能体方法和 3D 引导方法；
• 在事件重捕获的三项标准中领先；
• 在全部六项人类评估标准上获得最高评分。

这些结果在多个独立维度上交叉验证了同一结论：围绕世界状态组织生成过程，比单纯的提示词或帧传递更能维持时空一致性。

为什么这代表一种范式转变

把视频生成看作"世界状态管理"问题，而不是"下一帧预测"问题，是 ATAS 最有价值的地方。它把空间与时间显式建模为可检索、可审核、可登记的状态，让智能体在非连续请求之间依然保持同一世界观。

对于需要长时长、多场景、可回访的影视级内容生成而言，这条路径提供了一种更接近真实制作流程的思路——先建立世界，再调度镜头。项目页面与代码已在 https://lhmd.top/atas/ 公开。

世界模型（world model） 通常指一个能够预测环境未来状态的内部表征，早期多用于强化学习中的规划。ATAS 所提的「世界状态」与此相关但更偏向可管理的显式档案：它不要求模型学会完整的环境动力学，而是把已被验证的观测固化为可查询记录，供后续决策调用。这一思路缓解了纯世界模型的固有问题——一旦预测出错，误差会在自回归中累积。通过审核门控与记忆准入的分离，ATAS 让错误画面停留在单次生成内部，而不会沿时间线扩散，这对长时长内容生成尤为关键。