当前位置:

首页 > 硬件相关 > 香港大学联合多所顶尖机构,为AI视频世界模型装上了"记忆大脑"

香港大学联合多所顶尖机构,为AI视频世界模型装上了"记忆大脑"

香港大学联合复旦、浙大和快手科技提出MemLearner,让AI视频模型自主学习记忆提取,解决长视频生成中的场景不一致问题。通过查询令牌机制,模型自适应地从历史帧中提取有用信息。在复杂场景测试中,像素相似度PSNR达21.23,优于规则方法CaM的19.85。

本文目录

    这篇由香港大学联合复旦、浙大和快手科技的团队完成的研究,于2026年6月30日以预印本的形式挂在arXiv上,编号是arXiv:2606.31734。想进一步深挖的朋友,可以凭这个编号直接搜到完整论文。

    你有没有过这种体验:跟朋友聊天,聊着聊着,他突然忘了五分钟前刚说过的事,又把同一段话翻来覆去地讲?那感觉,确实挺让人崩溃的。现在,AI生成视频也碰到了完全一样的尴尬——开头能拍得精彩绝伦,但一拉长,它就把前面干了什么忘得一干二净,结果画面东拼西凑,前后矛盾,简直不能看。

    这次的研究团队,专门针对AI的“失忆症”,搞出了一套叫MemLearner的解决方案。核心思路很简单:与其给AI硬塞一套死板的“记忆清单规则”,不如直接教会它自己判断该记住什么、什么时候该调取记忆。说白了,一个是按图索骥的菜鸟,一个是真正读懂上下文的老手——差距就在这里。

    一、先说说什么叫“视频世界模型”

    要弄懂这项研究,得先建立一个基本概念:“视频世界模型”到底是个什么鬼。

    拿游戏来举例。你在玩开放世界游戏时,游戏引擎会根据你的操作——往左走、往右看、跳个台阶——实时生成你眼前的画面。视频世界模型干的就是同一件事。只不过,它背后不是写死的代码规则,而是一个经过海量真实视频训练出来的AI系统。你给它一个摄像机的移动指令,它就立刻生成对应的视频画面,就好像你真的在一个真实世界里漫步一样。

    这类技术的想象空间巨大:可以用它来做游戏场景、拍电影、训练机器人,甚至成为虚拟现实体验的底层引擎。研究人员管它叫“交互式视频生成模型”——也就是说,用户可以通过动作指令,与生成的视频世界进行实时互动。

    但麻烦在于,一旦视频生成时间稍长,问题就冒出来了。AI的“视野”是有限的:它只能“看到”最近一小段发生的事情,再早之前的画面已经彻底从视野里消失了。于是,当摄像机转了一圈又转回来时,AI彻底忘了这个地方长什么样,只好临时东拼西凑,结果生成的画面和之前拍的完全对不上。这就是所谓的“场景一致性”问题,也是这篇论文要啃的硬骨头。

    二、为什么已有的方案都不够用

    在这项研究之前,已经有不少人在琢磨怎么解决AI的“失忆”问题,但每种方案都有它的软肋。

    一类是“3D重建记忆”。让AI先把看过的场景重建为一个三维模型,下次需要时就从模型里渲染出对应视角的画面作为参考。这思路听起来挺扎实的,可问题是,三维重建本身就容易出错;碰上会动的物体,比如走路的人、摇尾巴的狗,更是几乎无从下手。

    另一类是“特征压缩记忆”。AI不直接存画面,而是把历史内容压缩成抽象的特征码,好比将一本书浓缩成几条关键词。存储效率是高,但信息损失也大得吓人,细节全丢了。

    还有一类是最直观的“关键帧记忆”——从历史视频里挑出一些有代表性的帧,直接作为当前生成的参考。这个方向其实很有前途,因为它简单直接,不需要搞什么三维重建或特征压缩。但问题在于:怎么挑帧?

    目前主流的挑帧方式,靠的还是固定规则。比如,算一算当前摄像机的视野范围(FOV),然后挑出那些和当前视野重叠最多的历史帧;或者用点云估算的方法,找到在空间位置上最接近的帧。这些规则在简单场景里还算管用,但一碰到复杂情况,破绽立刻暴露无遗。

    举个例子,墙壁遮挡。假设摄像机在一栋建筑外面,转到另一侧。按照视野重叠规则,AI会认为某几帧“很相关”——因为它们的拍摄方向相近。可实际上,这两个视角之间隔着一堵厚厚的墙,场景内容完全不同,参考这些帧只会帮倒忙。再比如,场景里有一条四处乱逛的狗,它的位置不断变化,基于静态空间位置的规则根本没法正确追踪它。

    更根本的问题在于:这些规则是人为写死的,完全不能随着场景的复杂程度自动调整。

    三、MemLearner的思路:让AI自己学会“该看哪里”

    MemLearner提出的方案,从根本上改变了整个问题的处理方式。与其告诉AI“按照规则X去找相关帧”,不如让它通过大量训练,自己学会判断哪些历史信息对当前的生成最有帮助。

    为了实现这一点,研究团队引入了一种叫“查询令牌”(Query Token)的机制。要理解这个概念,可以打一个比方。

    假设你是一名正在写小说的作家(这里对应AI里负责生成视频的部分),图书馆里存放着你之前写过的所有素材(对应历史视频帧)。你需要一位助理(对应查询令牌)来帮你从图书馆里调取相关资料。这位助理的工作方式很特别:他先看一眼你现在正在写的当前章节草稿(预测令牌),弄清楚你需要什么风格的信息;然后拿着这个“需求单”去图书馆翻找(上下文令牌),把真正有用的资料整理好递给你;最后,你参考这些资料完成写作。

    在MemLearner的框架里,整个系统处理的信息被分成三种角色:C令牌(Context Token,历史上下文)代表已有的历史视频帧;Q令牌(Query Token,查询令牌)是连接历史和当前生成的中间桥梁;P令牌(Predicted Token,预测令牌)代表当前正在生成的视频帧。Q令牌先关注P令牌,理解“要生成什么”;再关注C令牌,提取“需要哪些历史信息”;最后P令牌参考Q令牌完成生成。

    整个过程完全靠端到端训练来学习——也就是说,AI不需要任何额外的人工标注来说明“在这个情况下应该查询哪些帧”,它只是通过生成视频时的误差信号,反过来不断调整查询策略,最终自然而然地学会了适应性记忆提取。

    四、一次失败的尝试,带来了关键洞察

    研究团队在设计过程中,也走过一段弯路。而这段弯路本身,很能说明问题。

    最直觉的想法是:既然需要一个“查询助理”,那就单独训练一个专门的查询模块,让它负责从历史帧里提取信息,再把提取结果传给视频生成模型。两个模块各司其职,听起来非常合理。

    然而实验结果让团队大吃一惊:这个单独训练的查询模块,完全没能学会查询历史信息。通过注意力可视化分析发现,这个模块的查询令牌和历史上下文令牌之间的相似度接近于零——换句话说,这个模块根本就没有在读历史帧,只是在输出一堆毫无意义的信号。更糟糕的是,由于这个独立模块的输出毫无意义,视频生成模型也渐渐学会了“无视”它,最终直接退化成一个普通的文本生成视频模型,完全丧失了记忆能力。

    这个失败揭示了一个关键洞察:从零开始训练一个新模块,想让它学会有意义的视觉查询,是极其困难的。因为你没有办法为“正确的查询”提供明确的监督信号——没有人能标注“在这一帧,你应该去查历史第147帧的左上角”这样的信息。

    正确的做法是:直接利用视频生成模型本身来做查询。视频生成模型已经经过了大规模预训练,对视觉内容有着丰富的理解能力。把查询令牌和上下文令牌、预测令牌一起输入到同一个视频生成模型里,让模型的自注意力机制自然地建立起它们之间的联系,效果反而更好——因为模型已经具备了理解视觉内容的能力,只需要学习如何运用这种能力来做记忆查询。

    五、让系统跑得更快的两个小窍门

    理论上,把所有历史帧和当前帧都塞进模型里让它自己分析,效果当然最好。但实际操作中,这会带来巨大的计算量——历史帧越堆越多,计算量就会线性增长,最终变得不可负担。

    研究团队提出了两个简洁的效率优化策略。

    第一个叫“浅层查询,深层生成”。整个扩散变换器模型有28层,研究团队把它分成两段:前5层(浅层)作为“查询层”,负责让Q令牌从C令牌和P令牌中提取信息;后23层(深层)作为“生成层”,只处理Q令牌和P令牌,C令牌不再参与。这背后的逻辑是:提取记忆更像“编码”,不需要太多计算量;真正的创作生成才是大头。好比人类写作:快速浏览一下参考资料(浅层)只需要几分钟,真正坐下来写作(深层)才是主要工作。实验证明,5层已经足够完成有效的记忆提取,继续增加查询层数对效果的提升非常有限,却会显著拖慢速度。

    第二个叫“只保留有用的注意力计算”。在注意力机制里,每个令牌既可以作为“提问者”(查询),也可以作为“被问者”(键值对)。研究团队仔细分析了哪些注意力交互是真正必要的,然后删掉了所有冗余计算。最终保留下来的只有三种核心交互:Q令牌向P令牌提问(搞清楚当前要生成什么)、Q令牌向C令牌提问(从历史帧里提取信息)、P令牌向P令牌和Q令牌提问(生成时参考同伴和查询结果)。特别值得注意的是,C令牌不作为提问者——历史帧的内容只需要被查询,不需要主动去问任何人。

    六、专为复杂场景设计的训练数据集

    一个聪明的算法,还需要合适的训练数据。研究团队在这方面也下了很大功夫,因为他们发现,现有的长视频数据集没有一个能满足训练需求。

    理想的训练数据,需要同时具备四个特点:精确的逐帧摄像机位姿标注(知道每一帧摄像机在哪里、朝哪里看)、场景遮挡关系(物体互相遮挡的情况)、动态物体(会动的人或动物)以及大量的“重访场景”(摄像机离开某个地方又回来的情况)。现有的数据集各有残缺:用YouTube视频组成的数据集内容丰富,但摄像机标注不精确;基于游戏引擎渲染的数据集标注精确,但没有遮挡和动态物体。

    于是,研究团队自己在虚幻引擎里搭了一套数据采集流程。他们精心挑选了13个不同风格的三维场景,涵盖了街道、购物中心、乡村、室内室外各种环境,并在场景中加入了人类角色、狗、骆驼、马等动态物体。为了高效生成摄像机运动轨迹,他们写了个自动化脚本,让摄像机在场景中自主漫游、自动避障,同时记录下每一帧的位姿信息。最终采集了100段长视频,分布在13个场景中,每段视频平均超过18000帧,总计16.7小时的视频内容。

    仅靠渲染视频还不够,因为渲染画面和真实世界的视觉风格存在差距。为此,研究团队还加入了另外两类视频:一类是带有较准确摄像机估算标注的真实世界视频;另一类则是完全没有摄像机标注的真实世界视频。对于这三类不同来源的数据,他们采用了一个独特的训练策略:给每类数据分别配备一个专属的摄像机编码器;完全没有标注的真实视频,则直接用零参数处理(相当于告诉模型“这段视频没有摄像机信息”)。通过这种隔离方式,不同质量的标注数据互不干扰,模型可以同时从精确的渲染数据、真实的风格数据和丰富的多样性数据中各取所长。

    七、实验结果:数字和故事都说明了问题

    研究团队在多个不同的数据集上进行了全面评估,包括自己采集的复杂场景数据集、另一个团队发布的无遮挡无动态物体数据集,以及真实世界的SpatialVID数据集。

    评估方式分两种。第一种叫“地面真值对比”:给AI看一段历史帧,让它生成接下来的画面,然后对比生成结果和真实视频有多像。第二种叫“重访对比”:让摄像机在场景里转出去再转回来,对比“出去时拍的某个地方”和“回来时再次拍到同一个地方”的画面是否一致。第二种测试方式更贴近实际应用,也更能考验模型的真实记忆能力。

    拿来对比的方法包括几类:完全没有记忆设计的长视频生成模型DFoT、通过压缩历史帧保留有限记忆的FramePack、基于点云规则检索的VMem,以及基于视野重叠规则检索的Context-as-Memory(CaM),还有研究团队自己尝试过并放弃的“独立查询模块”设计。

    在复杂场景数据集上,MemLearner在所有指标上均取得了最好的成绩。以像素相似度指标PSNR(越高越好)为例,CaM得到了19.85分,MemLearner达到了21.23分;在衡量感知相似度的LPIPS指标上(越低越好),CaM为0.3475,MemLearner为0.2904,差距相当明显。在视频生成质量指标FVD上,MemLearner同样领先。那个被放弃的“独立查询模块”方案,PSNR只有9.16分,比完全没有记忆的DFoT(16.98分)还低——这直接印证了研究团队关于“独立模块无法有效学习”的判断。

    有意思的是,当在没有遮挡和动态物体的简单场景数据集上测试时,CaM和MemLearner的成绩非常接近(分别是20.22和20.35)。这说明在简单场景下,规则方法和学习方法表现相当;但一旦场景复杂起来,学习方法的优势就会显著拉开。

    研究团队还做了一项零样本迁移测试:在完全没有接触过的Epic-Kitchens厨房视频数据集上直接测试(这个数据集风格和训练数据差异很大),MemLearner依然比同类方法表现更好,说明学到的记忆机制具有一定的通用性。

    八、细节决定成败:几个关键设计的验证

    研究团队还通过一系列消融实验,逐一验证了每个设计选择的必要性。

    关于查询令牌的初始化方式,研究团队测试了两种方案:用随机噪声初始化,和用带噪声的预测令牌副本初始化。结果两者的表现几乎没有差别,说明初始值是什么其实并不重要——真正重要的是Q令牌通过注意力机制从P令牌那里学到当前的需求,而不是靠初始值传递信息。

    关于摄像机位姿信息是否必须提供给所有令牌,结果颇为出人意料。研究发现,就算不给历史帧(C令牌)和查询令牌(Q令牌)注入摄像机信息,只给当前生成帧(P令牌)注入,模型的记忆能力并没有明显下降。这意味着,视频生成模型具备从纯视觉信息中隐式理解空间几何关系的潜力,不需要手动提供三维坐标信息。

    关于注意力计算的必要性,如果删掉Q令牌向P令牌提问这一步(也就是让Q令牌不再先理解“要生成什么”),性能会大幅下滑,PSNR从21.23跌到17.27。这证实了“先理解需求再查询信息”这个两步走逻辑的关键性。

    此外,研究团队还测试了另一种方案:把分别训练查询模块的做法改为“先预训练再联合微调”——用L1损失来预训练查询模块,让Q令牌的输出靠近P令牌,然后再联合微调。结果这个方案依然远逊于MemLearner(PSNR仅16.56),再次印证了端到端学习的优越性:不需要人为设计中间监督目标,让误差信号自然地反向传播到查询机制里,效果反而更好。

    九、这套方案能往别的模型上搬吗

    一个自然的问题是:MemLearner是不是只能搭配研究团队内部使用的专属模型?

    为了验证通用性,研究团队把同样的方法应用到了Wan2.1这个开源视频生成模型上(参数量13亿)。结果显示,MemLearner在Wan2.1上同样比基线方法表现更好,说明这套机制并不依赖特定的模型架构,只要底层模型使用了三维注意力机制,就可以直接接入MemLearner的查询框架。

    说到底,MemLearner做的事情,就是把AI视频生成里那个“按规则找参考帧”的死板逻辑,换成了一个“通过学习来理解上下文需求”的灵活机制。这个转变听起来简单,但背后隐藏着一个深刻的工程洞察:与其费尽心思设计各种规则来告诉AI“什么情况下该记什么”,不如给AI提供足够丰富的训练场景,让它自己摸索出适合的记忆策略。

    这项研究对普通人的生活可能不会立竿见影,但它所解决的问题,其实是未来一大批应用的基础性障碍。当我们期待AI能为我们生成一段沉浸式的虚拟旅行视频、能在游戏里创造出真正有记忆的虚拟世界、能帮助机器人在复杂环境里保持对空间的连贯认知——所有这些,都需要先解决AI的“失忆”问题。MemLearner给出了一个目前看来相当有说服力的方向。

    当然,研究团队自己也坦承,问题远没有彻底解决。当场景里有超过五个角色同时互动时,现有的10亿参数模型就开始力不从心,生成画面会出现角色外貌不一致或物体消失的情况。更长远来看,记忆不应该随着视频时长线性膨胀,未来需要研究的方向包括如何压缩、更新、编辑,甚至有选择地遗忘历史信息——就像人的记忆一样,不是存档所有细节,而是保留真正重要的内容。

    对这项研究感兴趣的朋友,可以通过arXiv编号2606.31734找到完整论文,以及该团队的演示项目页面,里面有实际生成的视频案例可供直观感受。

    Q&A

    Q1:MemLearner解决的“场景一致性”问题具体是什么意思?

    A:场景一致性是指在生成长视频时,摄像机离开某个地方又回来后,AI生成的画面要和之前拍过的保持一致——同一个房间应该有同样的家具,同一个角色应该有同样的外貌。由于AI的“视野”有限,它很容易忘记早期的画面,导致重访时生成出完全不同的场景,这就是一致性问题。

    Q2:MemLearner的查询令牌和普通的历史帧检索有什么区别?

    A:传统历史帧检索靠人工写死的规则(比如摄像机视野重叠度),而MemLearner的查询令牌通过训练学会自适应地判断“当前生成需要哪些历史信息”。它先理解当前要生成的内容,再去历史帧里提取相关信息,整个过程是通过生成误差反向训练出来的,不需要任何手动标注的查询标准。

    Q3:MemLearner在有遮挡的场景里为什么比基于视野规则的方法更好?

    A:基于视野规则的方法只看摄像机朝向是否相似,无法判断两个视角之间是否有墙壁遮挡。而MemLearner通过训练学到了视觉内容之间的关联,能够隐式地理解遮挡关系,只调取真正视觉相关的历史帧,而不是仅仅方向相近的帧。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    硬件相关 AI视频
    相关文章 更多
    立刻MV有官方网页版吗?在线入口与客户端区别
    立刻MV有官方网页版吗?在线入口与客户端区别

    立刻MV确实提供官方网页版Web Studio,无需安装即可在浏览器中完成从歌曲生成、字幕编辑到分镜调整的全流程。本文指导用户如何识别官方入口,解析网页版与手机端在创作深度上的区别,并提供避免无效消耗的操作建议。

    runway自动生成视频怎么做新手入门操作教程
    runway自动生成视频怎么做新手入门操作教程

    通过界面导览方式,解析Runway Gen-2的工作区布局,说明文本提示词输入、运动控制及视频生成的基本步骤,适合初学者快速上手。

    一夜收获3000颗星,AI视频的“龙虾时刻”降临了?
    一夜收获3000颗星,AI视频的“龙虾时刻”降临了?

    OpenMontage是一款免费开源的AI视频生成工具,提供从脚本、分镜到剪辑、配音的完整制片流程,可自动选择模型降低成本。其爆火预示视频生成行业竞争将从模型参数转向成片质量与用户体验,中低端专业制作面临冲击。

    AI视频降本的三种做法,只有一种不牺牲画质
    AI视频降本的三种做法,只有一种不牺牲画质

    随着 AI 视频进入生产阶段,生产成本开始成为越来越多团队绕不开的问题。旗舰模型不断提升画质上限,更轻量的模型不断推出。很多人曾以为,“视频生成成本”这道题,会随着算力效率提升和模型能力演进被自然解开。但真正把 AI 视频推进到规模化生产的团队很快发现:生成门槛在降低,账单却并没有随之变薄。因此围绕

    为什么AI视频,需要“懂生成”的画质增强
    为什么AI视频,需要“懂生成”的画质增强

    AI 视频生成已经足够惊艳。一段提示词,就能生成一段精彩的视频。过去需要拍摄、建模、后期一起才能完成的画面,现在可以由模型快速生成出来。不过真正进入生产之后,我们会发现生成只是第一步。一条 AI 视频要从生成走到发布,往往还需要一系列画质增强和调优。尤其是低分辨率生成的视频,通常还要把画质增强到更高

    从“会生成”到“会创作”,AI视频竞争加速进入下一阶段丨新经济观察
    从“会生成”到“会创作”,AI视频竞争加速进入下一阶段丨新经济观察

    封面新闻记者 付文超随着AI视频生成技术快速发展,“一句话生成视频”“降低创作门槛”等能力正在不断普及。但在真正进入短片、短剧制作后,一个镜头如何构图、人物如何站位、镜头如何运动、连续剧情如何保持一致,这些原本属于导演和制作团队的工作,在AI时代仍然是难题。8月3日,美图旗下RoboNeo新版本上线

    Runway移动端与Web端并行,AI视频创作走向多端协同
    Runway移动端与Web端并行,AI视频创作走向多端协同

    Runway推出移动端与Web端并行方案,AI视频创作实现多端协同。移动端快速捕捉灵感并生成雏形,桌面端负责精细编辑与定稿,API支持规模化生产,形成从创意到发布的连续流水线,覆盖创意捕捉、雏形生成、精细编辑、规模化生产与发布全流程。

    Runway Academy和官方文档完善,降低AI视频创作与API接入门槛
    Runway Academy和官方文档完善,降低AI视频创作与API接入门槛

    Runway通过Academy、帮助中心和API文档搭建从入门到集成的完整路径,降低AI视频创作与API接入门槛。创作者教程指导稳定生成结果,开发者文档详解异步任务、接口调用等环节,覆盖普通创作者、专业团队和开发者三个层次。

    Runway Gen-4.5推进高质量AI视频生成,创意生产进入模型精细化阶段
    Runway Gen-4.5推进高质量AI视频生成,创意生产进入模型精细化阶段

    RunwayGen-4.5成为主推视频生成模型,侧重输出质量与稳定性,支持快速视觉探索和创意版本生成。企业可通过API接入自动化流程,但需配套版权、审核等管理机制,仍需人工把控方向。该模型在快速迭代中表现突出,人工审核不可或缺。

    AI视频无处遁形?英伟达新工具NIM来了
    AI视频无处遁形?英伟达新工具NIM来了

    英伟达发布的新工具NIM能够以高准确率检测AI生成的视频。未压缩视频准确率高达百分之九十二;压缩至百分之十五码率仍有百分之八十五;压缩至百分之五十保持百分之八十二。在RTXGPU上处理1080P视频仅需二十二毫秒,L40GPU约三十毫秒,具备很高的实用价值。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。