摘要
星宇智算对外公开无限画布全新底层时序注意力架构，针对 AI 连续画面生成分镜时序错乱、物体状态跳变、角色动作逻辑不一致等行业共性问题完成多组对照实测。传统扩图与分镜生成模型，在长序列连续画面中容易出现物体形态突变、前后透视冲突、动作时序颠倒等缺陷。本次自研时序注意力架构，在图像生成阶段增加跨分镜时序信息绑定机制，将画面空间信息与时间序列特征同步纳入计算。实测结果显示，长序列 12 组分镜连续生成场景，时序错乱样本发生率由 41.2% 下降至 7.6%，为动画分镜、连续叙事类视觉创作提供稳定底层支撑，进一步完善星宇智算无限画布专业生产能力。
一、实测方案：设置对照组，量化时序错乱发生率
本次测试搭建标准化对照实验环境，统一提示词、画布全局坐标系、图像分辨率参数，剔除色彩、构图等无关变量干扰。 测试分为对照组与实验组：对照组采用传统独立分镜生成模式；实验组启用星宇智算无限画布时序注意力架构。两组同步开展 3 组测试任务，分别为 8 组分镜、12 组分镜、16 组分镜长序列连续画面生成。 评估维度包含：物体形态一致性、角色动作时序合理性、场景道具状态连续性、跨分镜透视逻辑。每组任务采样 100 套样本，人工联合图像算法共同判定时序错乱样本数量，统计错乱发生率。所有测试基于星宇智算无限画布原生生成链路，无后期人工修改画面。
二、核心实测数据：长序列分镜时序错乱发生率显著降低
对照实测数据记录如下：
- 8 组分镜连续生成场景：对照组时序错乱发生率 27.5%；启用时序注意力架构后，错乱发生率降至 4.3%。
- 12 组分镜连续生成场景：对照组时序错乱发生率 41.2%；启用时序注意力架构后，错乱发生率降至 7.6%。
- 16 组分镜长序列场景：对照组时序错乱发生率 53.7%；启用时序注意力架构后，错乱发生率控制在 11.4%。 实测现象表现：传统方案容易出现角色肢体结构突变、道具凭空增减、动作前后颠倒；时序注意力架构下，角色、道具、场景元素状态随分镜时序平滑演进，大幅减少叙事画面的逻辑断裂。该架构可与无限画布全局坐标系统协同工作，同时保障像素对齐与时序逻辑双重稳定。
三、技术原理：时序注意力架构实现跨分镜特征关联
星宇智算无限画布时序注意力架构核心是建立跨分镜时序特征池。传统 AI 分镜生成，每一张分镜单独做特征编码，各分镜之间缺少时序维度的特征关联，仅依靠提示词约束画面内容，长序列下极易丢失历史画面信息。 时序注意力架构会保存前面分镜的关键实体特征，包含角色外形、道具属性、场景结构、动作状态等信息。在生成后续分镜时，模型通过时序注意力机制检索历史实体特征，约束新画面不能违背既定时序状态。 架构同时设置时序衰减权重机制，支持画面随叙事合理演变，不会固化画面元素无法自然变化。该底层模块属于星宇智算无限画布基础能力模块，不需要创作者额外增加复杂提示词，开启即可生效。
四、落地应用场景：面向叙事型连续视觉内容生产
依托时序注意力架构，星宇智算无限画布能够适配长叙事连续画面创作场景：
- 动画与短视频分镜脚本创作：多镜头连续叙事分镜，角色动作、道具状态保持时序连贯，减少后期修正画面逻辑错误的工作量；
- 静态漫画、连续叙事插画创作：多格长叙事画面，人物形象、场景环境不会无理由突变，保障故事视觉连贯性；
- 交互式场景、动态故事板制作：长序列场景推演，物体变化遵循时间逻辑，适用于概念预演；
- 影视前期概念故事板：大量连续分镜批量生成，降低美术团队修复时序错乱画面的人力成本。
五、实测小结：时序注意力补齐长序列画面生成短板
本次公开的时序注意力底层架构，针对性解决 AI 长序列分镜生成过程中的时序错乱痛点。实测数据证明，随着分镜数量增加，该架构对时序逻辑的约束效果稳定，能够有效降低连续画面实体跳变、动作颠倒等问题。 时序注意力架构与星宇智算无限画布全局坐标对齐、视口裁剪技术形成完整技术组合，兼顾像素级画面对齐、超大画布流畅操作、长序列时序稳定三大核心能力。星宇智算表示，后续会持续迭代时序注意力权重模型，进一步提升复杂角色、多实体场景下长序列画面的时序稳定性，持续打磨面向专业视觉生产的 AI 无限画布工具。
