Meta GenAI团队近日推出了一项重磅创新：全新的视频生成框架VideoJAM。读完这份技术报告后，最直观的感受是——困扰业界已久的运动一致性问题，终于迎来了一套行之有效的解决方案。媒体评测几乎一致给予高度评价，其核心突破在于，尽管VideoJAM沿用了主流的DiT技术路线，但在运动处理能力上，实实在在地超越了Sora、Gen3等一众明星模型。即便面对复杂场景，生成的运动效果也比此前所有方案更贴近物理世界的基本规律。

从实际效果来看，VideoJAM在各式运动场景中的表现，已经不仅是“提升”二字所能概括，更像是一次质的飞跃。吹灭蜡烛时火苗的细微波动、用手指捏史莱姆时软胶体形状的连续变化、乃至三球轮换抛接的杂技表演——每一帧画面的运动轨迹都带有清晰的物理逻辑。最令人印象深刻的案例之一是，双人舞中的倒立动作也被精准保留，呈现出自然的运动曲线。这背后，VideoJAM相比此前基线模型，运动一致性实现了近20%的显著净提升。

那么，关键突破点在哪里呢？VideoJAM在训练阶段引入了运动信息，这正是整套方案运动一致性提升的根本所在。在训练与推理过程中，VideoJAM对经典DiT架构做了两处针对性增强：输入侧和输出侧各增加了一个线性投影层。输入投影层将外观特征与运动特征拼接后，映射到模型的隐藏空间，形成“外观+运动”联合潜在表示——静态画面与动态信息被有机融合。输出投影层则反其道而行之，从联合表示中同时解码出外观预测与运动预测。换言之，模型在生成每一帧视频的同时，也一并学会了预测对应的运动。

推理阶段则带来了另一重惊喜。VideoJAM采用了一种内部引导机制：让模型在每个生成步骤中，利用自己预测的运动信息实时调节生成过程。这不同于某些外部驱动方法，需要额外引入模块才能实现运动控制。VideoJAM的做法相当于边走边看——模型一边生成画面，一边感知运动趋势的变化，随即调整后续生成方向。这种动态反馈机制意味着模型能够及时纠正偏差，而不是等到最后一帧才发现人物动作已经失真。

消融实验结果进一步验证了这套设计中的关键因子：光流表示配合内部引导机制，才是实现高运动一致性的真正功臣。在生成过程的粗略阶段，模型优先把握大范围的运动方向与节奏；进入细化阶段后，则专注于肢体微调与物体交互的物理合理性。整个流程相当于在运动层面实现了“先画轮廓、再添细节”的层次化控制。一旦出现不一致，也能在生成过程中自动修正，无需从头再来。

更值得关注的是，VideoJAM在架构设计上保持了出色的兼容性——它可以无缝嵌入不同规模的DiT模型。这意味着，一套经过验证的运动提升方案，能够从大模型直接迁移到轻量级模型上使用。对于模型开发团队和视频创作者而言，这是一个非常实际的利好。它显著降低了享受高质量运动一致性所需投入的硬件门槛，也为更多实验和应用场景打开了可能性。

总体而言，VideoJAM为视频生成中的运动一致性问题树立了新的标杆。它不仅是在特定场景下跑赢了其他模型，更在方法论层面提供了一套可复用、可迁移的技术框架。无论你是在研究前沿图像生成，还是在实际项目中打磨视频效果，这套方案都值得放入实验清单。我们也期待看到更多基于VideoJAM的精彩作品陆续登场。