面向长形式视频的闭环三元组协同生成

针对多镜头长视频生成中的身份漂移与不一致性问题，本文提出 CoTriSyGen 代理框架。该框架将生成过程建模为闭环的视觉 - 文本 - 记忆协同过程，利用规划意图、持久记忆与生成视觉进行迭代修正。基于视觉语言模型的分析器通过镜头内细化与镜头间细化两条路径，动态更新提示词与记忆。其核心在于构建了一个以实体为中心的可变视觉状态记忆，随故事进展持续演化，有效整合外观变化与多视角证据，显著提升了跨镜头一致性与电影连续性。