Google 发 CANVAS 多智能体框架：把长视频连贯性变成可闭环修正的全局问题

9 月 24 日，Google Research 发布 AI 视频共同导演 CANVAS，以及 A²RD、VQQA 等研究框架。它们不是又一个单次视频生成模型，而是叠在 Gemini 与 Veo 之上的多智能体编排层：把长视频看成全局优化与世界状态跟踪问题，先规划跨镜头的视觉连续性，再分派生成、镜头衔接和闭环修正。

Google 指出，现有线性管线的问题不是单镜头画质不够，而是上游一个资产或提示错误会沿链传播，角色服装、场景与身份会逐渐漂移。CANVAS 通过显式维护世界状态与视觉一致性目标，抽象掉反复提示、镜头串联和人工回修；框架原生继承 Veo 的 SynthID 水印。论文 CANVAS 计划发表于 EMNLP 2026，Co-Director、A²RD 与 VQQA 是同批研究的不同组件。

它改变了什么：长视频生成的工程重心从「让每个镜头更真」上移到「让多个镜头由同一世界状态约束」，把一致性变成可检测、可反馈的中间变量。边界：官方页本轮没有给出统一的第三方复现实验或一套可横向比较的总分，本轮读到的是框架、机制和论文预告，不是已验证的 SOTA 断言。

原文链接：Google Research 官方博客