故事与多镜头视频生成：从“拼接片段”到可回滚的叙事状态机

本章冻结于 2026-08-30（Asia/Shanghai）。这里的 multi-shot video 指输出中存在至少两个由硬切或设计转场分隔的镜头；跨镜头允许时空不连续，但人物、场景、道具、剧情和电影语言必须服从同一个可检查的故事状态。精选样片不是完成证明，论文、正式 venue、代码、权重、数据与端到端复现面在本章中分别记录。

检索日期、arXiv/OpenAlex/官方 proceedings/官方项目与仓库入口、纳排规则、逐条证据和链接检查见配套研究记录。

学习目标

读完本章，应能完成六件事：

1. 区分长单镜头、视频续写、V2V、story visualization/storyboard 与真正的 multi-shot video；
2. 写出故事、镜头计划、参考、输出视频和跨镜头状态的 tensor/state contract；
3. 比较 pipeline、整段联合生成、逐镜头记忆、storyboard anchoring、流式因果生成与训练免方法；
4. 把“角色一致”拆成身份、外观、空间、道具、事实和剧情进度等可单独失败的约束；
5. 依据正式发表、公开资产和可证伪评测判断 2025–2026 年工作的证据强度；
6. 设计包含状态改写、长间隔召回、冲突与回滚的可复现实验。

1. 先判任务：长不等于多镜头

“长视频”“多个事件”“多个场景”和“多镜头”不是同义词。一个连续长镜头可以经过多个房间；同一房间内也可以从全景硬切到人物特写。真正的判断变量是：输出是否包含显式镜头边界，以及边界两侧是否仍属于一个叙事合同。

任务	部署时主要输入	输出与边界	必须保持什么	不能据此声称什么
长单镜头	文本/轨迹/首帧	一条连续视频，无计划切镜	局部运动、时间与相机连续	有镜头调度或跨切叙事记忆
视频续写	已生成/真实视频前缀，可加文本	前缀之后的帧；默认边界连续	末帧附近的外观、运动和因果	已处理角色跨场景回归
Video-to-video	源视频与编辑条件	与源视频时间轴强对应的改写视频	源运动、结构或布局，依任务而定	从剧本自主规划多个镜头
Story visualization	多句故事，可加人物参考	多张静态故事图	跨图人物与剧情一致	已生成镜头内运动；StoryGAN 即把任务定义为故事到图像序列 [1]
Storyboard	剧本/镜头描述	每镜头关键帧或首尾帧对	构图、人物、镜头意图	已把关键帧可靠动画化
开放集视频个性化	主体参考 + prompt，可附控制	新时间轴的单片段或候选镜头	新情境中的主体身份、属性与绑定	自动证明跨镜头事实、道具状态或回滚
Multi-shot video	故事、镜头表或逐镜头 prompt，可加参考	至少两个镜头，含硬切/转场及镜头内运动	镜头内动态 + 镜头间叙事状态 + 边界语法	自动证明长程因果或电影质量

StoryDALL-E 与 Make-A-Story 都属于静态 story visualization/continuation：前者从源图与故事生成后续图像，后者用视觉记忆维持多图一致性 [2] [3]。Phenaki 能按连续文本生成可变长度视频，但其核心证据是长时间 token 建模，不是显式切镜合同 [4]。SEINE 处理首尾条件下的转场/补间，适合连接两个片段，却也不自动成为多镜头叙事器 [6]。

顺序化文字替代： 先看输出是否真的有运动；静态输出是故事图或 storyboard。若有运动，再排除由源视频时间轴约束的 V2V 和只延续一个前缀的 continuation。剩余输出若没有可定位镜头边界，是长单镜头；有边界但没有共享叙事状态，只是 montage；同时有边界与共享状态，才是本章所称 multi-shot narrative video。

1.1 一个重要纠错：SVD 不是 LLM storyboard 证据

Stable Video Diffusion（SVD）论文讨论的是从图像预训练到 image-to-video 的数据与模型缩放 [5]。它可以充当“关键帧动画化”的 I2V 基座，但论文没有提出 LLM 剧本分解、镜头表、角色 bible 或跨镜头状态管理。因此：

• “LLM 先写 storyboard，再用 SVD 动画化”是一种可搭建的系统组合；
• SVD 本身只能支持 I2V 子模块的事实；
• 若没有规划器、边界定义和跨镜头记忆的独立证据，不能把 SVD 引作多镜头故事生成方法。

2. 输入、输出与状态合同

设批大小为 \(B\)，计划镜头数为 \(K\)。全局故事输入为 token

\[
S\in\mathbb N^{B\times L_s},
\]

故事 bible 为初始状态 \(Z_0\)，至少包含实体账本、场景账本、叙事事实和风格约束。第 \(i\) 个镜头计划可写为

\[
p_i=(y_i,n_i,f_i,h_i,w_i,\tau_i,c_i,R_i,Q_i),
\]

其中 \(y_i\) 是镜头文本，\(n_i\) 是帧数，\(f_i\) 是帧率，\(h_i,w_i\) 是分辨率，\(\tau_i\) 是切镜/转场类型，\(c_i\) 是景别、角度、运镜等控制，\(R_i\) 是人物/场景/道具参考，\(Q_i=(q_i^{start},q_i^{end})\) 是可选 storyboard 首尾帧对。参考图可表示为

\[
R_i\in[0,1]^{B\times N_i^r\times3\times H_r\times W_r}.
\]

输出镜头与最终编辑时间线分别为

\[
X_i\in[-1,1]^{B\times n_i\times3\times h_i\times w_i},\qquad
X=\mathrm{Edit}(X_{1:K},\tau_{2:K}).
\]

若方法同时生成音频，还必须另写 \(A_i\in\mathbb R^{B\times C_a\times L_i^a}\)、采样率与音画对齐规则；不能把“后配音”与联合音视频生成混成同一个输出合同。UnityShots 把 opening-shot 长期记忆与前一镜头 tail 短期记忆用于多镜头音视频生成，但截至冻结日其训练代码、权重和 agent 系统仍标为待发布 [26]。

2.1 可审计状态不是“一张参考图”

单个镜头内如何从参考抽取、适配并绑定主体，属于开放集视频个性化；本章拥有的是镜头间状态的接受、更新、失效、召回与回滚。

一个实用的已接受状态可以写成

\[
Z_i=(E_i,G_i,O_i,F_i,M_i,D_i,v_i),
\]

其中：

• \(E_i\)：人物身份、衣着、姿态可变项和不可变项；
• \(G_i\)：场景、时间、天气、空间关系；
• \(O_i\)：道具所有权、位置与物理状态；
• \(F_i\)：截至镜头 \(i\) 已成立的剧情事实与未解决目标；
• \(M_i\)：被选择的视觉/latent/KV/关键帧记忆及预算；
• \(D_i\)：镜头依赖与生成 provenance，包括模型、权重、seed、prompt；
• \(v_i\)：计划版本。

部署时的逐镜头因果合同是

\[
X_i\sim p_\theta(\cdot\mid S,p_{1:K},R_{\le i},Z_{i-1}),\qquad
Z_i=U(Z_{i-1},X_i,p_i,V_i),
\]

其中验证结果 \(V_i\) 必须为“接受”后才允许更新 \(Z_i\)。真实未来镜头像素不得进入因果系统；holistic 方法可以同时读取所有镜头 prompt 和参考，但不能把测试集未来真值当条件。论文若只说“用了 memory”而不报告存什么、保留多少、何时清除、是否 stop-gradient、拒绝样本是否写入，长程结果就无法复现。

3. 机制路线：先看条件如何跨过镜头边界

3.1 规划器 + 独立镜头生成器

VideoStudio 用大语言模型把用户描述变成多场景脚本，抽取共享实体、生成参考图，再逐场景合成 [7]。VideoGen-of-Thought（VGoT）进一步把一句话扩写为带人物、背景、关系、相机和 HDR 属性的动态 storyline，经关键帧与 I2V 生成镜头，并处理相邻 latent 边界 [9]。其正式发布面是 arXiv、官方仓库及 NeurIPS 2025 NextVid workshop oral，不应写成 NeurIPS 主会论文；arXiv:2503.15138 是作者注明误作新论文提交的重复版本，本章只引用规范记录 arXiv:2412.02259。

这一路线的优点是可替换规划器、T2I 与 I2V 子模块，失败也容易定位；缺点是语言计划、关键帧和运动之间存在三次分布转换，人物参考“看起来相同”不等于道具状态或剧情事实被执行。

3.2 一次联合生成：把切镜写进 backbone

ShotAdapter 把 transition tokens 与局部注意掩码加入扩散模型，让每个镜头拥有独立文本/长度条件，同时允许跨镜头信息交换 [10]。它已正式发表于 CVPR 2025，DOI 为 10.1109/CVPR52734.2025.02645；将其仅标为 arXiv 会低估证据级别。

2026 年的直接联合路线进一步分化：

• HoloCine 用 Window Cross-Attention 把各 shot prompt 限制到对应时间窗，并用 Sparse Inter-Shot Self-Attention 交换稀疏跨镜头信息；官方仓库已发布 14B 全量/稀疏模型与推理代码 [15]。
• MultiShotMaster 用 Multi-Shot Narrative RoPE 表示切镜后的时间不连续，再以位置感知 RoPE、参考 token 与 mask 支持主体、动作、背景、镜头数和时长控制；CVPR 2026 论文、训练/推理代码与 1.3B/14B 权重均公开 [17]。
• ShotDirector 把 6-DoF/内参相机控制、层级剪辑模式 prompt 与 shot-aware mask 放入统一多镜头生成，并构建 ShotWeaver40K [20]。

联合生成可以让注意力直接覆盖不同镜头，但成本随总帧数上升；全局 attention 也可能把本应在切点重置的运动、背景或姿态错误地延续到下一镜头。“看见全片”不是自动拥有结构化事实记忆。

3.3 逐镜头生成 + 选择性视觉记忆

Corgi 缓存已生成关键帧，为后续多场景片段提供 memory [11]。OneStory 把 I2V 作为逐镜头生成器：Frame Selection 从历史镜头选择语义相关帧，Adaptive Conditioner 再把重要区域压成条件 patch；论文报告可扩展到十个镜头和分钟级故事 [16]。截至冻结日，OneStory 已有 CVPR 2026 正式论文与项目页，但项目页仍写“model and data will be released”，未找到官方公开权重或数据仓，因此不能记为已发布模型。

StoryMem 的 Iterative Memory-to-Video 先做语义关键帧选择与审美过滤，再通过 latent 拼接和负 RoPE shift 把 memory 注入基于 Wan2.2 的 LoRA；官方仓库和 MI2V/MM2V 权重已公开 [22]。EM-Vid 则把实体建成可更新 memory，针对实体跨镜头回归这一更具体问题 [34]。

记忆路线的关键不只是“记得更多”，而是：

1. 选择：当前镜头真正需要哪些人物、场景或道具证据；
2. 压缩：固定预算内保留 identity 与状态，而不是整段复制；
3. 更新：接受新事实，同时保留不可变约束；
4. 失效：衣服已更换、杯子已打碎后，旧状态不能继续被检索；
5. 防污染：拒绝镜头、临时重试和错误识别不能写回长期 memory。

3.4 Storyboard anchoring：先定关键状态，再补运动

STAGE 的 STEP² 为每个镜头预测首尾关键帧对，multi-shot memory pack 与双编码器在镜头间传递条件，随后调用现成视频生成器动画化 [18]。配套 ConStoryBoard 在正式论文中描述为约 100K 电影片段，标注故事进度与电影属性，并有偏好子集 [19]。截至冻结日，官方 Hugging Face 已公开 STEP² 模型和 ConStoryBoard 数据；仓库可运行 STEP² 推理，但完整多镜头生成、训练与 DPO 代码仍列为未来工作。故可复现的是“storyboard 生成层”，不是论文图中的全部端到端系统。

DreamShot 也利用视频扩散先验生成个性化 storyboard，区分 Text-to-Shot 与 Reference-to-Shot，并强化角色注意一致性；它的输出仍是故事板图像，不应因使用视频 prior 就归入视频输出方法 [21]。

3.5 流式因果生成与训练免控制

ShotStream 以双向 next-shot teacher 蒸馏因果 student，分开全局跨镜头 cache 与局部镜头内 cache，并通过位置不连续标记、intra-shot 到 inter-shot self-forcing 做流式生成 [23]。官方仓库称其已被 ECCV 2026 接收，代码、训练/推理配置和 Wan2.1-T2V-1.3B 检查点已公开；但作者同时说明开源实现使用公开基座，而论文原模型训练含内部数据，因此“可运行”不等于完全复现实验表。

CausalCine 用内容感知历史 KV memory routing 与少步蒸馏做在线导演式生成，但截至冻结日只核验到论文/项目页，未核验到官方代码或权重 [24]。CineWeaver 不再训练新模型，而是操纵位置编码和 attention 实现切镜、shot-routed reference conditioning 与 anchor memory；同样只有论文/项目面，尚不能声称公开可复现 [25]。

4. 规划—生成—记忆—冲突—回滚

下面是本综述综合现有路线提出的工程验收状态机，不是任何一篇论文已经完整实现的功能。它把影片生成视为带版本的事务：只有通过验证的镜头才能提交到长期状态。

图 1：把跨镜头一致性变成可检查的循环。 图中“通过”只表示候选镜头满足当前合同，不代表整部影片已经正确；“冲突”路径必须回到受影响的生成步骤，而不能把失败结果写入长期记忆。下方 Mermaid 给出带版本、依赖和失效传播的规范版本。

顺序化文字替代： 故事先编译为角色、场景、道具设定和带依赖的镜头 DAG；每个镜头只从最近一次已接受状态取条件。候选通过身份、事实、动作、相机和切点验证后才原子提交。局部画质失败只重试当前镜头；若发现设定或上游事实错误，则回到最早受影响镜头，撤销它及所有后继镜头与记忆，升级计划版本后重算。被拒绝结果永不污染长期状态。

4.1 为什么要回滚而不是“在下一镜头修一下”

假设镜头 2 中钥匙被模型错误地放进左口袋，镜头 5 又要求角色从右口袋取出钥匙。若只改镜头 5，会同时留下视觉历史和剧本事实两个互斥版本。正确处理是：

1. 判断“钥匙位置”是否是镜头 2 的可局部重渲染错误，还是剧本本身未定义；
2. 若是渲染错误，恢复 \(Z_1\) 并重做镜头 2；
3. 使依赖该状态的镜头 3–5 失效，而不是把旧视觉 memory 继续传下去；
4. 若用户改了设定，升级 plan version，并记录哪些镜头因依赖变化而重算。

现有论文多处理“相似性记忆”，很少公开这种依赖级 rollback；因此这应作为系统里程碑，而不是默认已有能力。

5. 里程碑：能力、证据与发布面必须同时过线

一个工作只有在满足以下判据时，才应被写成“领域里程碑”，而非仅列为新论文：

1. 任务增量可证伪：例如显式切点、可控镜头数、长间隔人物回归或在线追加 prompt；
2. 机制与增量对应：消融能区分 boundary token、memory、reference routing 或 distillation 的作用；
3. 评价不偷换任务：不能只用逐帧美学证明叙事，也不能只用身份相似度证明状态正确；
4. 证据级别明确：正式 proceedings、arXiv、项目页、代码、权重和数据分别标注；
5. 复现合同足够：输入格式、镜头时长、采样、seed、memory 预算、硬件和评价器版本可重跑；
6. 失败可见：至少报告长间隔、遮挡、换装、多人交互、道具状态和切镜边界中的失败。

5.1 按可检验能力重排的时间线

时间	工作	新增的可检验能力	证据与边界
2019	StoryGAN [1]	多句故事到多张图，建立静态邻域任务	CVPR；无视频运动
2022–2024	Phenaki、VideoStudio、MEVG [4] [7] [8]	长 prompt、自动多场景 pipeline、多个事件连接	长/多事件不自动等于显式多镜头
2024–2025	VGoT [9]	自动 storyline→关键帧→I2V→边界处理	arXiv + workshop + 开源 pipeline
2025	ShotAdapter [10]	直接多镜头扩散、transition token 与局部注意	CVPR 2025；正式 venue 已核验
2025	Corgi、EchoShot、CineTrans、AnimeShooter [11] [12] [13] [14]	缓存记忆、人物参考、转场控制、层级动漫数据	任务范围各异，不能混成一个通用系统
2026 CVPR	HoloCine、OneStory、MultiShotMaster、STAGE、ShotDirector [15] [16] [17] [18] [20]	holistic、适应性记忆、直接可控、首尾 storyboard、导演式相机/剪辑	同一 venue，不同输入/输出合同与发布面
2026 流式	ShotStream、CausalCine [23] [24]	因果 cache、在线 prompt、低步生成	前者有公开实现但数据不完全；后者尚无公开实现
2026 训练免	CineWeaver [25]	在既有模型中以位置/attention 操纵切镜和参考	论文/项目面；代码未核验
2026 评测	MuSS、MSVBench、EntityBench、PersonaShot [27] [28] [29] [30]	电影数据、层级诊断、长间隔实体与人物叙事评测	多数仍为预印本，指标需人类校准
2026-08	LogiShot、SEAM [31] [32]	上下文视频逻辑条件、prompt 层记忆图/回写	最新预印本；后者主要是 storyboarding/prompt 系统

2025–2026 的 frontier 不是单一排行榜，而是三条互相牵制的轴：一次生成能否全局协调、逐镜头系统能否维护可更新状态、流式系统能否在低延迟下避免 exposure drift。PoCo 还把多参考与多镜头放到同一位置条件接口，提示“参考属于谁、在何时生效”本身就是核心建模问题 [33]；参考槽、绑定与身份泄漏验收见开放集视频个性化，本章仍以跨镜头状态为最终合同。

6. 数据、评测与最常见的证据错位

6.1 公开数据/benchmark 不能只报规模

资源	主要对象	公开状态（冻结日）	最适合测什么	不能单独证明什么
ConStoryBoard [19]	电影镜头的首尾帧、故事进度、电影属性与偏好	官方 HF 数据仓可访问；文件面已核验	storyboard 构图与跨镜头状态	完整镜头内运动、版权可迁移性
ST-Bench / StoryMem [22]	30 个 GPT-5 故事、每个 8–12 镜头，共 300 prompts	官方仓库公开	固定故事上的长程跨镜头对比	真实拍摄分布与大规模统计效力
MuSS [27]	3,000+ 影片、30K+ 多镜头片段、1,000+ 小时，含主体/电影叙事轨	论文报告；官方仓库仅先发数据构建代码	主体一致与电影叙事双轨评测	数据、benchmark 代码或权重已完整发布
MSVBench [28]	层级脚本、参考图与 LMM+专家指标	预印本协议	多方法的内容/电影/一致性诊断	evaluator 在新模型上始终校准
EntityBench [29]	140 episodes、2,491 shots、最长 50 镜头、回归间隔最长 48	官方仓库公开	长间隔实体保持与 fidelity gate	全部叙事质量或相机语言
PersonaShot [30]	约千个多镜头人物片段、16 个物理/情感/电影语法指标	预印本	人物驱动故事的细分失败	非人物故事、独立复现的一致结论

论文自报的相关性或优胜率必须写成“作者报告”。例如 MSVBench 报告其聚合分数与人类判断达到 94.4% Spearman 相关，但这仍需在未参与校准的新模型、不同长度与文化语境上重新验证 [28]。

6.2 四层评价，不让一个分数包办故事

层级	需要测的变量	推荐证据
镜头内	文本、动作、运动、几何、画质	每镜头独立 prompt/动作标注；运动与物理诊断
边界	切点位置、转场类型、前后污染、节奏	frame-level cut detector + 人工复核；边界误差帧数
状态	身份、衣着、场景、道具、事实、情绪	实体级 matching + 状态问答 + 长间隔回归分桶
叙事/电影	因果、进度、镜头功能、相机/剪辑意图	盲评 pairwise + 脚本事件覆盖 + 电影属性遵循

身份相似度高可能只是把参考正面照复制到每个镜头；这会提高 consistency，却降低动作、构图和叙事变化。MuSS 因而同时设计 reference-subject、inter-shot consistency 与 anti-copy/paste 指标，强调 fidelity 与变化要一起看 [27]。

7. 失败模式：先定位是计划错、渲染错还是记忆错

失败	可见症状	可能机制原因	最小诊断
身份漂移	脸、发型、服装或体型变化	reference routing 弱；错误实体被检索	固定背景，仅改变人物回归间隔 1/4/8
状态反转	道具复原、伤口消失、门重新关闭	memory 只存外观，不存事实；旧状态未失效	设计不可逆状态变化并在远镜头追问
边界融化	两镜头在中间混合，姿态/背景拖影	连续时间位置编码跨过硬切；无 reset token	单一主体、相反背景的硬切测试
过度复制	所有镜头构图和姿态近似参考	memory 权重过大；相似度指标奖励捷径	固定身份，强制景别/动作/视角正交变化
局部遗忘	近镜头正确，远镜头人物或道具消失	FIFO/context budget 挤出关键状态	控制干扰镜头数并记录 recall curve
剧情跳步	结果漂亮但关键事件缺失/乱序	规划器未建依赖；生成器只追逐局部 prompt	对每个事件记录前置条件、完成证据与顺序
相机冲突	prompt 要推镜却得到主体变大或场景运动	相机、主体运动、编辑模式条件纠缠	静态场景 + 6-DoF/内参分解测试
错误累积	第一个小错在后续变成新“事实”	生成帧无验证即写入 memory	对照 accept-gated 与 unconditional update
评估器幻觉	LMM 给高分但人物/动作明显错误	低帧采样、身份盲区、语言偏置	人工逐帧 adjudication + evaluator 置信区间

8. 一个可复现、可证伪的实验

8.1 研究问题

在相同人物参考和故事事件下，哪一种状态传递方式能在更长回归间隔中维持身份与不可逆事实，同时仍服从新镜头的动作、构图和切镜要求？

8.2 固定测试集

建立 12 个原创、可公开的 8 镜头故事，避免训练电影版权：

• 4 个单人物故事：换装、受伤/恢复、携带/丢失道具；
• 4 个双人物故事：所有权交换、座位互换、情绪改变；
• 4 个场景故事：开/关门、昼夜/天气变化、物体移动。

每个故事都提供角色正面/侧面参考、场景参考、8 条镜头 prompt、硬切/溶解标记、景别与相机意图。把关键实体在间隔 $g\in\lbrace1,3,6\rbrace$ 后重新召回；每个条件运行 4 个固定 seeds。原始 prompt、编译后 prompt、负面条件、模型 commit、权重哈希和随机种子全部保存。

8.3 分轨比较，不强行伪装成同合同排行榜

1. 直接多镜头轨：MultiShotMaster 公开 1.3B 权重，固定总帧数和 shot allocation；
2. 逐镜头记忆轨：StoryMem 公开 MI2V/MM2V LoRA，固定 max_memory_size，另做 2/5/10 的消融；
3. 流式轨：ShotStream 公开 Wan2.1-1.3B 实现，分别测首次出帧、稳态 FPS 与长度漂移；
4. 规划 pipeline 轨：VGoT 固定 LLM 输出而不在每个 seed 重新规划；
5. storyboard 子任务轨：STAGE 只评价 STEP² 首尾帧，不把未公开完整 pipeline 的结果混入视频轨。

不同基座、分辨率与计算预算不能汇成一个“总冠军”。应同时报告原生设置和预算配平设置，并把不兼容合同留空而不是插值造分。

8.4 指标与判定

• 边界遵循：切点误差、转场分类、边界前后污染帧数；
• 身份/场景：每个实体在不同 \(g\) 下的 reference 与 inter-shot 相似度，人工复核 copy/paste；
• 状态事实：预注册 24 个二值/多选状态问题，由三名不知道方法名的标注者判断；
• 动作与镜头：逐 shot 事件覆盖、景别、视角和相机意图遵循；
• 叙事顺序：依赖 DAG 中满足的有向边比例；
• 代价：峰值显存、总生成秒数、首次出帧、每镜头重试次数；
• 失败传播：人为向镜头 3 注入错误，比较无门控、accept-gated update 与 rollback 三种系统在镜头 4–8 的污染率。

最小成功标准应在实验前固定：相对无记忆基线，\(g=6\) 的状态正确率显著提高；同时动作/构图遵循不下降到预注册非劣界以下；错误镜头被拒绝后，后继污染率下降；结论在至少三个 seed 和逐故事 bootstrap 区间下成立。若只提高脸部相似度、却复制构图或漏掉剧情，不算故事一致性成功。

9. 截至冻结日的结论

1. 多镜头的独特难点是“允许视觉不连续，却要求状态连续”；长视频或高画质都不能代替这项证据。
2. 2025 的 ShotAdapter 把切镜结构写进扩散 backbone；2026 的 HoloCine、MultiShotMaster、OneStory、STAGE 与 ShotStream 分别推进 holistic、直接控制、选择性记忆、storyboard anchoring 与流式因果生成。
3. 目前没有一条路线同时解决全局规划、角色/场景 bible、可编辑镜头生成、结构化状态更新、冲突检测和依赖级回滚；把它们画成一个系统时必须标明哪些是综述综合设计。
4. 发布面高度不均：MultiShotMaster、StoryMem、ShotStream 与 STAGE 子模块有实际公开资产；OneStory、CausalCine、CineWeaver 主要是论文/项目；MuSS 只先发数据构建代码。论文中的“will release”不等于已发布。
5. 下一阶段最有价值的 benchmark 不是再评一遍美学，而是测试状态改写、长间隔召回、不可逆事实、边界污染、错误写入与回滚。

参考文献

[1] StoryGAN: A Sequential Conditional GAN for Story Visualization. Yitong Li et al. CVPR. 2019.

[2] StoryDALL-E: Adapting Pretrained Text-to-Image Transformers for Story Continuation. Adyasha Maharana et al. ECCV. 2022.

[3] Make-A-Story: Visual Memory Conditioned Consistent Story Generation. Tanzila Rahman et al. CVPR. 2023.

[4] Phenaki: Variable Length Video Generation From Open Domain Textual Descriptions. Ruben Villegas et al. ICLR. 2023.

[5] Stable Video Diffusion: Scaling Latent Video Diffusion Models to Large Datasets. Andreas Blattmann et al. arXiv. 2023.

[6] SEINE: Short-to-Long Video Diffusion Model for Generative Transition and Prediction. Zongxin Yang et al. ICLR. 2024.

[7] VideoStudio: Generating Consistent-Content and Multi-Scene Videos. Yuwei Wang et al. ECCV. 2024.

[8] Generating Multi-Event Videos with Text-to-Video Models. Weijia Wu et al. ECCV. 2024.

[9] VideoGen-of-Thought: Step-by-step Generating Multi-shot Video with Minimal Manual Intervention; official repository ; NextVid workshop oral. Mingzhe Zheng et al. arXiv / NeurIPS NextVid Workshop. 2024–2025.

[10] ShotAdapter: Text-to-Multi-Shot Video Generation with Diffusion Models; project page. Ozgur Kara et al. CVPR. 2025.

[11] Corgi: Cached Memory Guided Video Generation for Multi-Scene Long Video. Jianzong Wu et al. WACV. 2025.

[12] EchoShot: Multi-Shot Portrait Video Generation; official repository . NeurIPS. 2025.

[13] CineTrans: Towards Cinematic Text-to-Video Generation via Multi-Shot Transition. arXiv. 2025.

[14] AnimeShooter: A Unified Framework for Story-to-Anime Video Generation. arXiv. 2025.

[15] HoloCine: Holistic Generation of Cinematic Multi-Shot Long Video Narratives; official repository . Yihao Meng et al. CVPR. 2026.

[16] OneStory: Coherent Multi-Shot Video Generation with Adaptive Memory; project page. Chongan An et al. CVPR. 2026.

[17] MultiShotMaster: A Controllable Multi-Shot Video Generation Framework; official repository ; official weights. Xiaoyan Wang et al. CVPR. 2026.

[18] STAGE: Storyboard-Anchored Generation for Cinematic Multi-shot Narrative; official repository . Peixuan Zhang et al. CVPR. 2026.

[19] ConStoryBoard official dataset; STAGE official model. STAGE authors. 2026.

[20] ShotDirector: Directorially Controllable Multi-Shot Video Generation with Cinematographic Transitions. CVPR. 2026.

[21] DreamShot: Personalized Storyboard Synthesis with Video Diffusion Prior. CVPR. 2026.

[22] StoryMem: Multi-shot Long Video Storytelling with Memory; official repository ; official weights. Kaiwen Zhang et al. arXiv. 2025.

[23] ShotStream: Streaming Multi-Shot Video Generation for Interactive Storytelling; official repository ; official weights. Yawen Luo et al. ECCV 2026 accepted / arXiv. 2026.

[24] CausalCine: Causal Streaming Multi-Shot Video Generation via In-Context Directing; project page. arXiv. 2026.

[25] CineWeaver: Cinematic Narrative Synthesis via Training-Free Multi-Shot Video Generation; project page. arXiv. 2026.

[26] UnityShots: Unified Multi-shot Audio-Video Generation; official repository . arXiv. 2026.

[27] MuSS: A Large-Scale Dataset and Cinematic Narrative Benchmark for Multi-Shot Subject-to-Video Generation; official repository . Haojie Zhang et al. arXiv. 2026.

[28] MSVBench: Benchmarking Multi-Shot Video Generation. arXiv. 2026.

[29] EntityBench: Benchmarking Long-Horizon Entity Consistency in Multi-Shot Video Generation; official repository . arXiv. 2026.

[30] PersonaShot: Evaluating Physical, Affective, and Cinematic Continuity in Multi-Shot Character-Centric Video. arXiv. 2026.

[31] LogiShot: Long-Horizon Multi-Shot Video Generation with Logical Context Conditioning. arXiv. 2026.

[32] SEAM: Structured Episodic Agent Memory for Long-Horizon Storyboarding; SEAM-Bench. arXiv. 2026.

[33] Rethinking Position Embedding as a Context Controller for Multi-Reference and Multi-Shot Video Generation. CVPR, 2026.

[34] EM-Vid: Entity-Centric Memory for Multi-Shot Video Generation. arXiv. 2026.