Capture record
- Canonical URI： https://research.google/blog/coherent-long-form-video-generation/
- Source class： original research（Google Research 官方研究文章；作者為 Google 研究科學家）。本筆只把該 canonical article 當作實際讀取來源，保留來源自己的研究敘述與限制。
- 原文標題： Automating coherent long-form video generation
- 作者／出版者： Yale Song、Yiwen Song／Google Research
- 發布時間： Google Research 頁面標示 September 24, 2026。
- 擷取時間： 2026-09-24T20:47:22+00:00
- Retrieval method： 先以
web_extract讀取 Google Research canonical article，再以 Pythonurllib直接 HTTP GET 核對回應。全程未使用 browser。 - HTTP metadata： status
200、responseDate: Thu, 24 Sep 2026 20:47:22 GMT、Content-Type: text/html; charset=utf-8、199,075 bytes；HTML payload SHA-256519ef57aafb545416d0d297855ec12592003e29e2b1873fc7c2bad449d244c52，僅供抓取 audit。 - Saved payloads and SHA-256： 無；只保存本 wrapper。未保存 Google Research HTML、圖片、影片、YouTube transcript、ArXiv papers、benchmark datasets、模型權重或生成 artifacts。frontmatter 的
sha256是本檔 frontmatter 結束後 body 的 SHA-256，不代表可由 hash 重建未保存的外部內容。
Faithful summary
Google Research 介紹一套 AI video co-director 統一 multi-agent framework，目標是自動生成具時間一致性、角色／場景持續性與敘事進展的長篇影片。文章把現有線性 pipeline 的主要問題描述為 semantic drift、cascading failures、feature drift 與 content collapse；新架構則把長篇影片生成視為 global optimization 與 world-state tracking 問題，並建構在 Gemini 與 Veo 之上的 orchestration layer。來源也說明 Gemini／Veo 的原生安全機制（包括 SynthID watermarking）可被沿用，但 production 仍可能需要對最終影片額外套用 safety classifiers。1
文章把方法拆成四個相互連接的研究框架。AI video co-director 以 hierarchical multi-agent framework、multi-armed bandit（MAB）與 MLLM Judge 在 Creative Strategy、Narrative Mode、Aesthetic Archetype 三個維度探索創意配置；Orchestrator Agent 負責全域選擇，Pre-Production Agent 建立 storyline 與 storyboard，Production Agent 再由 Keyframe、Video、Audio 等子 agent 生成媒體，最後以 judge reward 回饋後續迴圈。1
CANVAS 以 persistent visual memory 保存 characters、locations 與 object states，讓跨鏡頭與非連續回訪的角色、空間幾何與物件狀態維持一致。來源以 museum heist sequence 比較 Gemini-3.1-Pro、AutoStudio 與 CANVAS，並把 artifact change、background drift、character drift 與 costume／prop continuity 當成主要觀察軸；這些比較屬文章展示與研究框架說明，不是 AI Ark 的獨立重跑。1
A²RD 將長篇影片拆成 segment-by-segment generation，透過 multimodal video memory 執行 retrieve-synthesize-refine-update loop，並在 extrapolation（推進敘事）與 interpolation（錨定既有角色／環境）之間切換。文章展示一部約十分鐘的 The Great Museum Heist 影片，主張該架構可在長時間間隔中維持角色身份、服裝細節、場景幾何與敘事進展；影片本身與生成流程未由 AI Ark 執行或保存。1
VQQA 把 video quality question answering 做成 black-box prompt optimizer：依 prompt 動態產生視覺問題，再把 VLM critique 當作可讀的 semantic gradients，反覆修改文字 prompt；它還用 Global Selection 讓 VLM 依原始、未修改 prompt 評估整條 optimization trajectory 的候選結果，而不是盲選最後一次輸出。文章的例子聚焦 attribute binding 與 temporal inconsistency，屬來源展示，不等於所有影片任務都能獲得相同改善。1
Reusable extraction（raw-only；未升格 compiled）
這筆來源可保留一個可重用的 workflow pattern：把長時程生成拆成全域創意搜尋、結構化 world-state／visual memory、segment-level retrieve-synthesize-refine-update 與以 VLM 為核心的 closed-loop selection，將一致性從事後人工修片轉成 test-time objective。 對 AI Ark 而言，這可與 generative-media-agent-workflow、dynamic-agent-workflows、agent-trace-observability 與 eval-is-spec 交叉閱讀；但本輪只新增 raw evidence，不更新 compiled page。這段是依來源方法整理的 observational pattern，不是獨立驗證的產品或研究定律。
Key results and benchmark boundary
Google Research 表示四個框架在 GenAD-Bench、ViStoryBench、ST-Bench、HardContinuityBench、VBench-Long、LVBench-C、T2V-CompBench、VBench2 與 VBench-I2V 等評估中取得改善；文章具體列出 AI video co-director 在 GenAD-Bench 的 peak quality score 為 81.4，並概括 CANVAS、A²RD、VQQA 在各自 benchmark 上有 continuity、long-duration temporal dynamics 或 visual quality gains。來源同時要求讀者回到各別 paper 查看完整 architecture、training configuration 與 baseline evaluation；本輪未讀取或重跑那些 paper、dataset、code、模型與 benchmark。1
Claim ledger
| ID | Source claim | Status | Owning evidence and boundary |
|---|---|---|---|
| C01 | Google Research 於 2026-09-24 發布〈Automating coherent long-form video generation〉，作者為 Yale Song 與 Yiwen Song。 | supported | canonical article metadata 直接支持；只代表來源 metadata。1 |
| C02 | 來源介紹一套建構在 Gemini 與 Veo 之上的 unified multi-agent orchestration framework，將長篇影片生成視為 global optimization 與 world-state tracking 問題。 | supported | Google Research 文章直接描述 framework、底層模型與問題 framing；本輪未執行系統。1 |
| C03 | AI video co-director 使用 hierarchical agents、MAB、Pre-Production／Production 分層與 MLLM Judge reward loop，在 Creative Strategy、Narrative Mode、Aesthetic Archetype 三軸探索配置。 | supported | 文章的 How it works 段落直接描述元件與迴圈；完整實作與 paper 未讀取。1 |
| C04 | CANVAS 以 persistent visual memory 保存角色、地點與物件狀態，目標是降低跨鏡頭的角色、場景與物件 drift。 | supported | 文章直接描述記憶結構與 museum heist 展示；比較結果未獨立重跑。1 |
| C05 | A²RD 以 multimodal video memory 執行 retrieve-synthesize-refine-update，並在 extrapolation 與 interpolation 間切換，以支援 minutes-long video generation。 | supported | 文章直接描述架構與十分鐘示範影片；影片與 code 未讀取或執行。1 |
| C06 | VQQA 以動態視覺問題、VLM critique、semantic gradients 與 Global Selection 做 black-box prompt optimization。 | supported | 文章直接描述方法與範例；未檢查 evaluator code、prompt trajectory 或模型內部。1 |
| C07 | AI video co-director 在 GenAD-Bench 的 peak quality score 為 81.4，且四個框架在文章列出的多個 benchmark 上有改善。 | partially-supported | 數字與改善方向來自 Google Research 文章；各 benchmark 的分母、baseline、aggregation、統計檢定與 paper 細節未核對，未獨立重跑。1 |
| C08 | 這些框架已證明可在所有長篇影片任務、模型版本與生產環境中穩定消除 semantic drift、cascading failures 或 content collapse。 | unresolved | 來源只提供特定研究框架、展示與 benchmark 摘要；沒有跨模型、跨資料、production reliability 或長期失敗率證據。1 |
| C09 | AI Ark 可直接據此判定 Gemini／Veo 或上述 multi-agent framework 優於其他影片生成方案。 | unresolved | 來源未提供 AI Ark 所需的跨方案、相同 harness、成本、延遲、安全與部署條件下的獨立比較；本輪未做產品操作。1 |
Evidence boundary
本記錄支持的最小結論是：Google Research 在 2026-09-24 公布一套以 global creative orchestration、persistent visual／video memory、分段生成與 VLM closed-loop critique 為核心的長篇影片研究框架，並把 AI video co-director、CANVAS、A²RD、VQQA 與數個影片 benchmark 串成一致性導向的 multi-agent pipeline。以上是 Google Research 第一方研究文章的來源陳述，不是 AI Ark 的獨立驗證。
本記錄不能證明這些框架已在所有影片生成任務中穩定工作、已解決 production 級 drift／failure、一定優於其他模型，或已產生可重現的商業效益。四篇連結的 ArXiv paper、benchmark pages、GitHub repositories、生成影片、YouTube 影片內容、模型權重、原始評測輸出與完整 code 本輪未直接讀取、未保存或未重跑。沒有 human verification，未加入 verified。
Rights boundary
僅保存 metadata、繁中 faithful summary、claim ledger、證據界線與來源連結；未保存 Google Research HTML、圖片、影片、YouTube transcript、ArXiv papers、benchmark datasets、模型權重或生成 artifacts。文章中的研究方法、圖片、影片與 benchmark 敘述仍受其各自版權、授權與服務條款約束；canonical link 是後續查核入口，來源讀取不等於取得重製、下載或商業使用授權。