在AI视频生成技能快速浸透影视制造职业的当下，专业创造者遍及堕入一种被称为“抽卡”的低效循环：输入一段描绘镜头言语的文本指令，保存数十秒后借款一段视频，查看画面、发觉缺点、修正指令、从头生成，再查看，再发现新的问题。
上海交大团队在前期调研中核算了一组数据：专业创造者运用干流视频生成模型时，为借款一个契合基本要求的镜头，平均需生成20至50次；在寻求高精度操控的精品制造中，成功率缺乏50%。职业将这种低效循环称为“抽卡”——像极了手机游戏里玩家为了一张稀有卡牌重复氪金的行为。
7月3日，上海交大张文军院士团队的倪冰冰教授发布“国际叙事模型”（World Narrative Model, WNM）。这个被团队称为“为视频基模装上专业方向盘”的模型，企图完结的正是这种“概率赌博”式的创造窘境。
倪冰冰在承受榜首财经专访时指出：市面上大多数文生视频AI本质是“神经烘托器”——输入文字或图片，直接生成动态画面，靠数据自学光影、镜头和运动规则。这种端到端模型的作业原理，相当于一个“黑盒概率采样器”：输入稀少文本指令，输出高维稠密像素矩阵。中心产生了什么？没人知道，也没人能干涉。“导演想要一个镜头，模型给出一堆像素。中心短少对物理国际的显式建模——场景的几许结构是什么？物体的运动轨道怎样走？灯火从哪个视点打？这些在端到端模型里满是隐式的、不可控的。”倪冰冰对记者表明。
WNM的思路是把这个黑盒拆开，拆成两半：一半是操控器，即国际叙事模型自身；另一半是绘图器，由现有的视频生成大模型（如Kling、Seedance、Wan等）担任。
操控器承当的是了解物理国际、规划叙事结构的隐蔽。它将导演的创造目的——包含剧本、分镜、参阅图——自动转化为包含场景几许、人物骨骼、道具摆放、动作动线、运镜轨道、灯火参数等维度的结构化物理参数序列。这些参数构建出一个完好的、可修正的4D（三维空间+时间）数字国际表征。
绘图器则简略得多：拿到操控器输出的结构化参数，在确认性的物理骨架基础上完结像素级烘托。
倪冰冰对记者解说，这一架构的本质是将了解物理国际与烘托视觉像素两大使命厉色解耦。他称，现有视频基模只担任它最拿手的工作——画像素。至于画什么、怎样动、光从哪来，则悉数由操控器准确指定。
如此拆分后，物理参数变为可调、可控、实时收效的。导演可以直接调整场景几许、修正人物动作细节、改动运镜轨道、调理灯火方位与色温，不再需求重复“抽卡”，保存模型随机吐出一个挨近预期的成果。
用户多个方面数据显现，选用WNM后，单镜头修正次序从20至50次降至3次以内，专业创造者
以现在职业头部国际模型GoogleGenie 3为比照事例，倪冰冰向记者清晰区分了两者的中心差异：前者寻求的是可玩性，用户都可以在模型生成的游戏化环境中实时操控，但只能在模型关闭的生成国际中做有限探究。后者寻求的是可控性，用户都可以对场景、人物等一切物理参数进行独立操控。再与Kling、Veo等视频模型比照，倪冰冰表明，这类端到端视频模型输入稀少指令、输出像素，中心无法干涉，必定导致“抽卡式”低效出产。WNM“操控器+绘图器”架构可以先规划场景、规划走位、调度运镜、安置灯火，再交由绘图器来履行。
该技能途径仍面对不小的可靠。倪冰冰表明，最大的瓶颈在数据层面——堵截一个能准确了解物理国际的模型，需求带有准确几许和物理标示的三维数据，这种数据比堵截烘托器用的互联网视频稀缺好几个数量级。
此外，怎么让AI生成的几许体在物理引擎中核算准确也是一个难题。团队经过构建自动化标示流水线和数据飞轮来处理数据瓶颈，选用多智能体协同和自动学习下降人工标示量。
另一大瓶颈是长时序一致性——怎么确保长达5分钟的生成过程中，场景布局、人物身份、物姿不产生漂移。上海交大团队的处理方案是经过国际叙事模型保护跨帧的物理状况连续性，模型不是逐帧“猜”下一帧长什么样，而是根据清晰的物理参数状况演化来驱动每一帧的生成。
从“抽卡二十次拍一个镜头”到“确认性地构建一个镜头”，WNM企图跨过的正是这道从“能生成”到“能操控”的分水岭。张文军院士以为：视频生成的下一个分水岭是可控性，可控性的柱石是物理孪生式的国际叙事模型。
当模型可以准确了解场景的三维结构、物体的物理特点和运动规则时，真实可控的视频生成才有或许。
传统影视制造中，导演在实拍前一定要经过火镜图、概念规划、3D预演等战胜来规划镜头。这是一个耗时、贵重且高度依靠人工回心转意的环节。WNM将其自动化并提升到物理参数等级，导演可以在可修正的4D物理国际层面完结悉数构思规划，将专业判别精准注入每一个操控环节。当时市面上已呈现很多AI视频创造渠道——包含帧赞、LibTV、TapNow、360纳米等，其中心逻辑是将现有视频基模经过API串联，加上剧本生成、分镜办理、素材库等功能模块，构成一条出产线。倪冰冰以为这一些渠道本质上是流程集成东西，底层仍然依靠黑盒基模，用户仍然在“抽卡”，且无法准确操控画面中的每一个元素。
而WNM不是集成，而是概况从底层架构上推翻端到端像素采样的生成范式。这一差异决议了WNM在工业链中不是现有出产线的弥补插件，而是对生成范式的底层重构。
2026年5月25日，上海市文旅局发布全国首个省级AI微短剧专项方针《AI微短剧沪8条》。方针清晰在徐汇、杨浦、闵行建造三大AI微短剧工业集聚区，布局市级“AI+微短剧”中试基地，对自主研制且商场认可的AI微短剧智能体项目，按不超越实践研制投入的20%给予最高1000万元资金支撑。
据记者了解，中试基地项目技能牵头方由上海交大团队担任，算力由九章云极供给。倪冰冰对记者表明，团队将依托中试基地，将WNM嵌入精品短剧和影视内容出产流程中，大幅度缩短制造周期，预期WNM的落地将推进上海从微短剧的流量消费地晋级为技能输出地和规范拟定地。
从更微观的视角看，这一判别的底层逻辑是职业正在产生的结构性改变。倪冰冰对记者剖析，现在视频模型产品同质化严峻——我们都在拼单次生成的画质。但真实决议谁能跑出来的中心是可控性和作业流适配：谁能被创造者真实嵌入日常出产流程，谁就能胜出。
现在张文军院士团队已将论文揭露发布，根据WNM的视频创制渠道同步上线公测。倪冰冰对记者泄漏，商业化方面考虑多种形式并行：面向中小团队的SaaS订阅制、面向大型影视公司的私有化布置，以及面向开发者的API按调用收费。现在已在上海与多家影视制造组织展开协作验证。
倪冰冰以为，当时视频模型范畴正处在一个十字路口。一端是持续堆算力、拼画质的端到端道路；另一端是回到先了解物理国际、再生成视觉像素道路。他判别，大言语模型走通的路，视频生成大概率也要走一遍，后者的“Transformer时间”不会产生在像素生成层面，而会产生在国际了解层面——当模型可以准确了解场景的三维结构、物体的物理特点和运动规则时，真实可控的视频生成才有或许。
在AI视频生成从实验室走向工业化的要害节点，谁能在可控性上首先打破，谁就虚怀若谷有或许界说下一代影视工业的技能规范。上海交大团队挑选用“操控器+绘图器”的架构答复这样的一个问题。至于这套答案能否真实跑通，接下来要看它在中试基地与一线制造组织的磕碰中交出怎样的答卷。