多模态图像，超长视频生成SOTA，Sora没做到的，LongVie框架给解决了

从 Sora 的惊艳亮相到多款高性能开源模型的诞生，视频生成在过去两年迎来爆发式进步，已能生成几十秒的高质量短片。然而，要想生成时长超过 1 分钟、内容与运动可控、风格统一的超长视频，仍面临巨大挑战。

为此，上海人工智能实验室联合南京大学、复旦大学、南洋理工大学 S-Lab、英伟达等机构提出 LongVie 框架，系统性解决可控长视频生成中的核心难题。

• 项目主页：https://vchitect.github.io/LongVie-project/ 

• 视频：https://www.youtube.com/watch?v=SOiTfdGmGEY&t=1s

• 论文：https://arxiv.org/abs/2508.03694

• Github：https://github.com/Vchitect/LongVie

难点剖析

直接利用当前的可控视频生成模型生成分钟级长视频时，通常会出现以下问题：

• 时序不一致：前后画面细节与内容不连贯，出现闪烁等现象。

• 视觉退化：随时长增长，出现颜色漂移、清晰度下降等问题。