北邮、北大团队提出 STAGE 框架，通过预测「起始-结束帧对」解决多镜头视频连贯性问题，已录用至 CVPR 2026。
北邮、北大团队提出 STAGE 框架，通过预测「起始-结束帧对」解决多镜头视频连贯性问题，已录用至 CVPR 2026。
Gemini 3.5 Flash 性能超上代旗舰，输出速度快4倍、成本低一半；Antigravity 2.0 正面对标 Claude Code，支持多 Agent 并行开发。
Sora、可灵、Seedance 2.0……AI 视频生成的视觉质量已经惊艳，但当你尝试用它们创作一个完整故事时，会发现一个致命问题：镜头切换时经常「穿帮」。
前一秒主角还穿红衣，下一秒就换了颜色；一个流畅的开箱动作，在特写镜头里却变成了「瞬移」。这些问题的根源在于：AI 只会「画单帧」，不会「拍分镜」。
北京邮电大学、北京大学和智源研究院的团队提出了 STAGE 框架，通过引入电影分镜的概念，让 AI 学会用镜头讲故事。论文已录用至 CVPR 2026。
目前主流的多镜头视频生成方法分两派：
计算成本极高，过程像「开盲盒」，难以控制。稍有不慎就满盘皆输。
先生成几个关键画面作为「路标」，再让视频模型去「脑补」中间过程。
第二种方法更灵活，但问题也随之而来：模型只知道每个镜头「大概长啥样」，却不懂得镜头与镜头之间该如何「衔接」。
STAGE 的核心思路是：不再预测孤立的关键帧，而是直接生成每个镜头的「第一帧」和「最后一帧」。
这个看似简单的改变，带来了三大优势：
所有镜头的起始/结束帧串联起来，形成稳固的视觉骨架，确保角色、场景在整个故事中的长期一致性。
起始帧和结束帧明确定义了镜头内部的动态变化，无论是人物走位还是镜头推拉，都有了清晰的起点和终点。
上一个镜头的「结束帧」和下一个镜头的「起始帧」之间的关系，直接对「转场」这一电影语言进行建模。
STAGE 的核心是 STEP2（STart-End frame-Pair Prediction）模型，它像一位 AI 导演，能将文字剧本翻译成可执行的视觉分镜。
1. 多镜头记忆包（Multi-shot Memory Pack） 将所有历史镜头的视觉信息压缩成紧凑的「记忆包」，在保证长期一致性的同时避免巨大的计算开销。
2. 双重编码策略（Dual-Encoding Strategy） 将一个镜头的起始帧和结束帧「捆绑」在一起进行联合编码，让模型在生成之初就对整个镜头的动态了然于胸。
3. 两阶段训练方案（Two-stage Training）
团队构建了包含 10 万个高质量多镜头片段的数据集，每个镜头都标注了：
还从中挑选出最优转场案例，构建了 ConStoryBoard-HP 子集，专门用于第二阶段的「品味」训练。
在「火车上的女人」主题下，其他方法出现了场景不一致、风格失真、动作断裂等问题。STAGE 则完美保持了人物和环境的一致性。
在多个评测维度上，STAGE 均显著优于 CineTrans、StoryDiffusion、VideoGen-of-Thought 等 SOTA 方法。
项目代码和数据集将逐步开源：
git clone https://github.com/escapistmost/Storyboard-Anchored-Generation
cd Storyboard-Anchored-Generation
pip install -r requirements.txt适合谁？
不适合谁？
核心优势：
潜在限制：
未来展望： 团队提到未来可能引入 Agent 工作流，打造自动化环境构建流程，并扩展到更多任务场景（如 Terminal Bench、Skill Bench）。
相关链接：