近年来，视频生成技术发展迅猛，尤其在短视频创作领域取得了突破性进展。然而，如何制作出超过一分钟且风格统一的高质量超长视频，始终是一个亟待解决的难题。针对这一挑战，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 以及英伟达等顶尖机构，共同研发了 LongVie 框架，为超长视频生成领域带来了革命性突破。LongVie 的核心目标在于提升超长视频生成的可控性与一致性，确保视频在长时间段内依然保持高质量和连贯性。
传统视频生成模型在处理长视频时，普遍存在时序不一致和视觉退化两大难题。时序不一致主要表现为画面细节与内容之间的脱节，而视觉退化则指随着视频时长的增加，画面颜色饱和度、清晰度逐渐下降。为攻克这些难题，LongVie 从“控制信号”和“初始噪声”两个维度进行创新性设计。首先，团队提出“控制信号全局归一化”策略，通过统一整个视频段的控制信号，显著提升跨片段的连贯性，避免传统模型在单一片段内归一化导致的时序断裂。其次，LongVie 引入“统一噪声初始化”机制，确保所有片段共享同一初始噪声，从源头上减少视觉漂移，使视频整体风格保持高度一致。
在解决视觉退化问题上，LongVie 采用多模态精细控制方法。单一模态的控制往往难以提供稳定约束，而 LongVie 创新性地结合了密集控制信号（如深度图）和稀疏控制信号（如关键点），并引入退化感知训练策略。这一组合拳使得模型在处理长视频时，能够精准控制画面细节，保持更高的画质和纹理清晰度，有效避免视觉质量随时长下降的问题。
为推动该领域的研究与评测，LongVie 团队还推出了 LongVGenBench，这是首个专为可控超长视频生成设计的基准数据集。该数据集包含100个超过1分钟的高分辨率视频，为研究人员提供了标准化测试平台。根据定量指标和用户评测结果，LongVie 在多个评估维度上超越了现有技术，达到了 SOTA（最先进技术）水平，赢得了用户的高度认可与偏好。
LongVie 框架的问世，标志着超长视频生成技术迈入全新时代。创作者们将能够以更大的自由度实现创意，制作出更长、更高质量且风格统一的视频作品。这一突破不仅推动了视频生成技术的发展，也为影视制作、广告营销等领域带来了无限可能。项目地址：https://vchitect.github.io/LongVie-project/
