随着文本生成视频技术的快速发展，"画面清晰但内容不符""单帧精美但动作不连贯"等问题仍困扰着行业；用户不得不反复修改提示词、多次生成，通过试错来获得理想结果，这不仅增加了使用成本，也影响了该技术在内容创作、教育传播和工业仿真等领域的应用效率。 主要问题： 当前文本生成视频模型存在三个主要短板：一是语义一致性不足，生成内容与文本描述出现偏差；二是动作连贯性差，人物运动、镜头切换不够自然；三是视觉质量不稳定，细节和纹理保持能力不足。由于视频具有时间序列特性，仅用图像评价标准难以衡量"连贯性""节奏感"等关键维度。 问题根源： 评价标准难以量化，且训练目标与真实需求存在差距。人类对视频质量的评判涉及多维度考量，包括准确性、自然度和观赏性，这些主观标准很难用单一指标衡量。同时，传统训练过于依赖可计算的损失函数，导致模型优化方向与实际体验脱节。现有的图像质量评估工具也更关注静态画面，对跨帧一致性和叙事连续性的评估能力有限。 实际影响： 生成结果不可控限制了技术应用。内容创作者需要花费更多时间调试；教育、文旅等领域面临更大的审核压力；在工业培训等严肃场景中，动作不自然甚至可能引发理解错误。如果不能建立有效的质量把控机制，技术进步将难以转化为实际生产力。 解决方案： 复旦大学与上海人工智能科学院团队提出LiFT技术（论文编号：arXiv:2412.04814v3），通过"人类反馈-评判模型-对齐训练"形成闭环优化。研究团队首先构建了包含1万条详细评价的LiFT-HRA数据集，不仅给出评分，还说明评分依据。随后训练了LiFT-CRITIC评判模型，模拟人类对视频质量的综合判断。最后用评判模型指导生成模型优化，实现持续改进。 实验表明，采用该方案后，参数更小的CogVideoX-2B模型在多项指标上超越了更大的CogVideoX-5B。这说明通过引入高质量人类反馈和精准偏好建模，可以在不增加参数的情况下大幅提升性能，为降低训练成本提供了新思路。 行业前景： 业内专家认为，文本生成视频技术的竞争重点将从基础生成能力转向可控生成能力。LiFT技术提供了一套可复制的优化框架：以人类偏好为导向，通过评判模型将复杂标准结构化，持续提升生成质量。未来如果能在更多场景中扩展反馈数据，并加强对长视频叙事和复杂交互的评估，将推动该技术在专业领域的深度应用。
技术的价值不仅在于功能实现，更在于准确理解人类需求。LiFT技术的意义不仅是一次方法创新，更揭示了智能系统发展的关键：让机器学会倾听人类需求，与提升机器性能同样重要。