论文页面 - WanPE：面向现代文本到视频生成的电影级提示增强技术

来源：https://huggingface.co/papers/2609.30221 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

视频生成始于在文本空间中创作电影剧本，随后转化为像素数据。随着现代视频生成模型扩展至30秒时长并能忠实遵循复杂条件，文本提示在很大程度上主导着制作流程，规划动作、摄像机轨迹、灯光与声音在多镜头序列中的呈现方式。本文提出WanPE——一个拥有3970亿参数的提示增强模型，基于105万段真实视频训练，掌握导演级别的电影规划能力。WanPE通过视频驱动的反向构建技术制定镜头级电影计划，并采用语义一致性分组相对策略优化（SC-GRPO）确保跨镜头及时间轴上对用户需求的忠实传达。为评估该能力，我们构建了WanPEval基准测试集，涵盖5至30秒时长与不同意图粒度的人工标注测试场景，辅以约1.1万对盲评配对测试。当应用于Wan 3.0视频生成器时，WanPE-397B模型在5-15秒片段中比原始用户提示提升10.66-18.84个人类偏好分值，在30秒场景中更实现高达50.86分的显著提升。消融研究证实反向构建技术显著优于传统前向改写，而SC-GRPO能跨模型规模稳健保持语义保真度。最终，WanPE在5-15秒评测中超越所有参评商业方案，并在30秒领域保持与Seedance 2.5相当的竞争力。

查看arXiv页面（https://arxiv.org/abs/2609.30221）查看PDF（https://arxiv.org/pdf/2609.30221）项目页面（https://wan-pe.github.io/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.30221）

通过智能体获取本文：

hf papers read 2609.30221

尚未安装最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

暂无模型关联本文

在模型README.md中引用arxiv.org/abs/2609.30221即可从本页面建立关联。

引用本文的数据集0

暂无数据集关联本文

在数据集README.md中引用arxiv.org/abs/2609.30221即可从本页面建立关联。

引用本文的Space 0

暂无Space关联本文

在Space README.md中引用arxiv.org/abs/2609.30221即可从本页面建立关联。

包含本文的收藏集0

暂无收藏集收录本文

将本文添加至收藏集（https://huggingface.co/new-collection）即可从本页面建立关联。