据MarkTechPost报道，谷歌研究团队发布了一套AI视频联合导演系统，由四个代理框架组成，可将短片段组织成连贯的分钟级长视频，重点针对多镜头AI视频流程中的身份漂移和级联错误。项目页面显示，相关信息于2026年9月27日验证。
谷歌团队将长视频生成失败归为信用分配问题。扩散模型能快速渲染高保真片段，但拼接成故事更难。多数代理流程把模块与独立手写提示词串联，导致服装或场景在镜头间变化的语义漂移，也会因上游一个错误资产污染后续镜头而形成级联失败。
该系统构建在Gemini和Veo之上，同时保持模型无关，可驱动其他生成器，输出继承基础模型的SynthID水印。四个框架覆盖创意规划、故事板、长视频生成和自校正。
Co-Director已被COLM 2026接收，使用多臂老虎机做创意规划。编排代理在创意策略、叙事模式与美学原型间选择配置，前期制作代理生成故事板，关键帧、视频和音频子代理产出媒体，多模态大模型评审给剪辑打分并将因子化奖励返回老虎机。
CANVAS已被EMNLP 2026接收，以持久视觉记忆跟踪角色、地点和物体状态，在场景回归时调取视觉锚点。在谷歌博物馆盗窃测试中，AutoStudio丢失小偷的帽子，Gemini-3.1-Pro改变宝石，而CANVAS保持二者一致。
A²RD即代理自回归扩散，是免训练架构。每个片段围绕多模态视频记忆运行检索、合成、精炼、更新循环，代理在新故事节拍外推与回归实体插值间切换。谷歌分享了一部由此生成的10分钟影片。
VQQA即视频质量问答，为每个提示词生成视觉问题。视觉语言模型评审充当“语义梯度”改写文本提示词，无需访问模型内部。全局选择步骤从所有迭代中挑选最佳视频，而非采用最后一次结果。
谷歌建立三个新基准：GenAD-Bench包含50个品牌的200个虚构产品、400个广告场景，HardContinuityBench测试场景重现和道具状态变化，LVBench-C包含120个场景，关键资产需消失至少10个片段后再返回。
项目页面显示，Co-Director在GenAD-Bench平均得分81.4，人类评分3.96分（满分5分），基线包括Veo 3.1、Kling 3.0 Omni、Wan 2.6和MovieAgent。CANVAS在背景连续性、角色一致性和道具一致性上分别提升21.6%、9.6%和7.6%。A²RD在1至10分钟视频上一致性提升至多30%，叙事连贯性提升20%。VQQA在T2V-CompBench和VBench2上分别比原始生成绝对提升11.57%和8.43%。
与StoryMem、MovieAgent和AutoStudio相比，谷歌系统输出带旁白和配乐的分钟级多镜头视频；StoryMem输出约1分钟多镜头视频；MovieAgent输出带字幕和音频的多场景多镜头视频；AutoStudio输出多轮图像序列而非视频。谷歌系统不做微调，只编排现有模型；StoryMem在基础模型上做LoRA微调；MovieAgent使用角色级LoRA；AutoStudio免训练。基础生成器方面，谷歌系统使用Gemini和Veo且模型无关，StoryMem基于Wan2.2，MovieAgent使用ROICtrl、SVD和HunyuanVideo I2V，AutoStudio基于Stable Diffusion。最长报告输出为A²RD的10分钟，StoryMem约1分钟，MovieAgent未说明。
代码方面，Co-Director和A²RD已公开，CANVAS即将发布；StoryMem、MovieAgent和AutoStudio的代码也已公开。