Versatile Editing of Video Content, Actions, and Dynamics without Training¶

会议: ECCV2026
论文: ECCV 2026 官方页
领域: 视频生成
关键词: 免训练视频编辑、反演无关编辑、流匹配、动作与动态编辑、采样噪声调度

一句话总结¶

DynaEdit 在预训练 I2V 流模型（WAN2.1 14B）上构造一条从源视频直通编辑视频的"无噪声编辑轨迹"，把起始步一路推到纯噪声以释放粗粒时空结构的改写能力，再用相似度引导聚合（SGA）挑出最不偏离源视频的编辑方向、用退火噪声相关（ANC）压掉由此引入的高频抖动，从而在完全免训练的前提下同时支持物体插入/替换、动作改写与全局动态效果三类编辑，效果追平唯一的训练式商用模型 Runway Aleph。

研究背景与动机¶

视频生成模型已经发展到能相当可信地复现物理、因果和复杂动态，因此常被视为具备世界知识的"世界模型"。一个自然的问题是：既然模型已经理解了世界怎么运转，能不能不去从零生成，而是拿它的知识去改写一段真实视频——让马的动作从绕圈变成跨栏、把一个物体换成另一个并让它与场景真正发生互动、或者给整段画面加上沙尘暴或焰火？视频编辑这两年进展不小，但绝大多数方法做的都是"结构对齐"的编辑：换风格、换材质、换外观，画面的运动骨架和物体交互基本不动。真正非刚性的动态改写——让一段视频的物理结局发生变化——仍然是一个开放的难题。

难点在于编辑目标内部就有一对冲突的要求。模型必须有足够的自由度去改写运动与物体交互，同时又要严格忠于原视频里物体的身份和环境上下文。数据驱动路线在这里被卡住，因为非刚性编辑需要成对的"同一场景、不同物理结局"的源—目标视频，这类数据既采不到也没法大规模仿真，所以到本文写作时公开可用的通用训练式模型只有 Runway 的 Gen-4 Aleph 一个，而它在复杂的非刚性动作编辑上依然吃力。免训练路线（FlowEdit、FlowAlign、FlowDirector、DynVFX 等）借预训练视频流模型的先验绕开了数据问题，但它们被约束在"结构保持"的框架里：要么靠注意力图或掩码把编辑限制在指定区域，要么把起始时间步压低以维持对齐——代价是粗粒时空特征根本动不了，插入的物体也只能单向地受场景影响，无法反过来改变原视频的走向。换句话说，改运动的自由度和守住源视频的忠实度被挤在同一个旋钮上，谁也不肯让。

本文的做法是把这个旋钮拧到底，再单独为它带来的副作用设计补偿机制。作者先把反演无关的编辑轨迹推进到从纯噪声起步，让目标提示获得改写粗粒结构的完全自由，然后诊断出这一步必然引发两种现象——低频错位（相机运动、物体轨迹无谓漂移）和高频抖动（新生成内容的边缘发虚、闪烁），并指出它们分别源于"初始噪声的随机性直接决定了整段视频的粗粒结构"和"相邻时间步噪声互不相关导致扰动累积"。核心 idea：把编辑轨迹的每一步都当成一次"候选方向的选择"来对待——用多个噪声采样给出候选编辑方向、用"沿着它走到底会得到什么"的投影与源视频的相似度来软选择（SGA），再让噪声在时间步之间的相关性随采样推进逐渐升高、把已选定的方向冻结下来（ANC）。

方法详解¶

整体框架¶

DynaEdit 的输入是源视频 \(x^{\text{src}}\)、描述它的源提示 \(c^{\text{src}}\)、描述编辑的目标提示 \(c^{\text{tar}}\)，以及可选的"编辑后首帧" \(f^{\text{tar}}\)，输出是一段编辑后的视频。整个方法跑在一个预训练的图文生视频（I2V）流模型上，模型权重全程冻结。

方法骨架沿用 FlowEdit 提出的反演无关编辑：不求源视频对应的初始噪声，而是直接构造一条从源视频通往编辑视频、且路径上所有中间量都保持"无噪声"的 ODE。记源、目标两套条件速度场为 \(V^{\text{src}}_t(x_t)=V(x_t,t,c^{\text{src}},f^{\text{src}})\) 与 \(V^{\text{tar}}_t(x_t)=V(x_t,t,c^{\text{tar}},f^{\text{tar}})\)，编辑轨迹由二者之差驱动：

\[dZ^{\text{edit}}_t=\mathbb{E}\left[V^{\text{tar}}_t(Z^{\text{tar}}_t)-V^{\text{src}}_t(Z^{\text{src}}_t)\right]dt,\quad Z^{\text{src}}_t=(1-t)x^{\text{src}}+tW_t,\quad Z^{\text{tar}}_t=Z^{\text{edit}}_t+Z^{\text{src}}_t-x^{\text{src}}\]

其中 \(W_t\sim\mathcal{N}(0,I)\)。值得注意的是被推进的只有速度差：源提示已经能解释的那部分运动被减掉，剩下的才是"编辑所要求新增的运动"；而目标样本由源样本平移得到，保证轨迹上不出现净噪声。轨迹在 \(t=1\) 处初始化为源视频本身（\(Z^{\text{edit}}_1=x^{\text{src}}\)），沿 \(t\) 减小的方向反向积分到 \(t=0\) 得到编辑结果。

三类编辑在这套框架里被统一成同一件事：都只改同一个 ODE 的右端项，也就是"编辑速度场怎么估"。内容侧的改动（插入物体、替换材质、换风格）走编辑后首帧通道——先用 Gemini 2.5 Flash Image（论文中称 Nano-Banana Pro）生成一帧编辑后的首帧作为 \(f^{\text{tar}}\)，靠 I2V 模型的首帧条件把新内容注入并在整段视频中延续；动作与全局动态的改动走目标提示 + 从纯噪声起步通道，由目标速度场重新决定粗粒时空结构；两者的强弱都用同一组推理期旋钮（SGA 温度 \(\tau\)、无分类器引导尺度）调节。全程不碰模型内部——没有掩码、没有注意力图干预、没有反演、没有微调，这正是"versatile without training"的含义。整体流程如下。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["源视频 + 源/目标提示<br/>可选编辑后首帧"] --> B["从纯噪声起步的编辑轨迹<br/>t=N 起往回积分"]
    B --> C["Similarity Guided Aggregation<br/>候选方向投影到 t=0<br/>按与源视频相似度软选择"]
    C --> D["Annealed Noise Correlation<br/>噪声相关性随 t 减小而升高"]
    D -->|t 尚未到 0，进入下一时间步| C
    D -->|t = 0| E["编辑后视频"]

关键设计¶

1. 从纯噪声起步的编辑轨迹：起点不够自由，运动和交互就改不动

FlowEdit 体系里有一个开关 \(n_{\max}\)，它决定编辑轨迹从哪个时间步开始往回积分，也就等效地决定了给源视频加多少噪声、从而决定"最粗能改到哪个尺度"。结构保持型的编辑把 \(n_{\max}\) 压到 \(N-1\) 甚至更低没有问题，因为本来就不打算动骨架；但本文要处理的编辑（让马跨栏、让台球进袋、让火车撞上颜料桶）恰恰要求改写粗粒时空结构，而只要 \(n_{\max}<N\)，目标速度场就没有自由度去动它们。论文用一张对比图把这个两难摆了出来：\(n_{\max}=N-1\) 时马根本不跳；推到 \(n_{\max}=N\) 时提示是遵从了，但同时冒出两种劣化——低频错位（马的轨迹无谓地偏离原运动、相机运动改变）与高频抖动（插入的障碍物糊成一团）。

本文的选择是把 \(n_{\max}\) 直接设成 \(N\)，让编辑从纯噪声起步，同时把"内容侧的改动"从噪声幅度搬到模型条件上：需要插入物体或换材质的编辑，先用图像编辑模型生成一帧编辑后的首帧作为 \(f^{\text{tar}}\) 喂进 I2V 模型，不需要改首帧的编辑则直接沿用源视频首帧。这样做之所以成立，是因为 I2V 模型的首帧条件在时空严格错位时仍能锚住场景、物体身份和色调——粗粒结构交给目标提示重写，身份与语境交给首帧锚定，两者不再争抢同一个 \(n_{\max}\)。代价是必须处理这一步释放出来的两个副作用，也就是下面两个设计分别针对的对象。

2. Similarity Guided Aggregation（SGA）：用源视频在候选编辑方向之间做软选择

推到 \(n_{\max}=N\) 之后，第一个问题出现在最初的那一步：\(t_N\) 时刻的 \(Z^{\text{src}}_{t_N}\) 与 \(Z^{\text{tar}}_{t_N}\) 都是纯噪声（二者都等于 \(W_{t_N}\)），于是初始的速度差与源视频（除首帧条件外）彻底失去联系。论文用一个换桶实验说明后果：只更换初始时间步的噪声实现、后续时间步的噪声全部保持不变，得到的视频在相机运动、火车速度、桶被撞爆的时刻上完全不同——初始一步几乎单独决定了整段视频的粗粒时空特征。既然初始噪声的影响这么大，就不该随便采一个，而应该从若干候选里挑"最不偏离源视频"的那个。

SGA 的做法是给每个编辑步采 \(n^{\text{SGA}}_i\) 个噪声，得到候选编辑方向 \(V^{\Delta}_1,\dots,V^{\Delta}_{n^{\text{SGA}}_i}\)，然后用一次直线外推来预判"如果沿这个方向一路走到 \(t=0\) 会落到哪里"，再按落点与源视频的相似度加权：

\[z^{\text{edit-proj}}_j=z^{\text{edit}}-t_iV^{\Delta}_j,\qquad s_j=\mathrm{softmax}_j\!\left(\cos(x^{\text{src}},z^{\text{edit-proj}}_j)/\tau\right),\qquad \bar{V}^{\Delta}=\Big(z^{\text{edit}}-\textstyle\sum_j s_j z^{\text{edit-proj}}_j\Big)\Big/t_i\]

也就是把候选的"投影终点"分别与源视频算余弦相似度、softmax 归一化成权重、按权重把投影组合起来，最后再换算回一个速度。它与 FlowEdit 对候选速度直接求平均的做法有本质区别：直接平均会把若干条互相矛盾的方向（比如向左和向右的相机运动）叠成模糊的折中结果（论文中 \(n_{\text{avg}}=100\) 那一行就是这种糊），而 SGA 先在"终点"层面判断哪条路最像源视频、再向它倾斜，因此平均掉的是噪声而不是结构。温度 \(\tau\) 是软硬旋钮：\(\tau\) 很小时式中的 softmax 退化成硬选择，只保留与源视频最匹配的那条编辑路径，对齐更强；\(\tau\) 大时权重更均匀，编辑幅度更大。计算上不需要步步都开多候选——粗粒结构在最初几步就已定型，本文只在前三个时间步用 \(n^{\text{SGA}}_i=5\)，之后退回 1。

3. Annealed Noise Correlation（ANC）：让噪声相关性随采样推进逐渐升高

从纯噪声起步的第二个问题是高频抖动。相邻时间步使用的噪声互相独立时，每一步算出的编辑速度会指向不同方向，这些方向的随机扰动在积分中累积，最终表现为插入物体边缘发虚、颜料飞溅和旗帜这类新生成内容出现溶解或闪烁。论文验证了这个猜测：如果所有时间步共用同一个噪声实现，抖动确实消失，但低频对齐反而变差（插入的桶悬空、交互不自然）。原因与设计 2 直接相关——SGA 需要一组彼此不同的噪声样本来提供候选，噪声一旦退化成单一实现，可选的方向就没了。因此需要的是"开始时多样、后期一致"的噪声，而不是二选一。

ANC 用一个跨时间步维护的噪声 \(\tilde{w}_j\) 实现这一点：每个时间步取一组 i.i.d. 噪声 \(w_j\)，对它做一次"保留旧值 + 注入新噪声"的更新，

\[\tilde{w}_j\leftarrow\sqrt{a_{t_i}}\,\tilde{w}_j+\sqrt{1-a_{t_i}}\,w_j\]

其中 \(a_t\) 是随 \(t\) 减小而单调递增的调度，\(a_{t_N}=0\)、\(a_{t_1}=1\)。本文取 \(a_t\) 从 0 线性升到 1、在 \(t=0.25\) 处达到 1 并保持不变。于是采样的前段（\(t\) 大、粗粒结构尚未定）噪声完全独立，SGA 有充足多样性可选；后段（\(t\) 小、高频细节正在生成）相关性趋近 1，噪声被冻结成一个固定实现，前面选定的编辑方向不再被新噪声扰动，抖动随之消失。它把"独立噪声擅长探索结构、固定噪声擅长稳定细节"这两件事按时间分给了同一段轨迹，而不是像已有做法那样只能全程二选一。

一个完整示例¶

以论文 Fig. 3 的"火车穿过森林 → 火车撞上黄色颜料桶"为例走一遍。源视频给出 \(c^{\text{src}}\)，目标提示加上"撞上一个黄色颜料桶"，插入物体改变了首帧内容，因此先用图像编辑模型生成一帧带桶的首帧作为 \(f^{\text{tar}}\)；其余编辑（如纯动作改动）则直接用源视频首帧。轨迹从 \(t_N=1\) 出发，此时 \(Z^{\text{src}}\) 与 \(Z^{\text{tar}}\) 都是纯噪声。前三个时间步里 SGA 各采 5 个噪声，得到 5 条候选编辑方向，分别直线外推到 \(t=0\)，与源视频比余弦相似度后用 \(\tau\) 加权——外推到"相机一边平移一边被目标提示带偏"的候选得分低，外推到"相机运动与火车位置基本保持原样、只是多了桶"的候选得分高，于是速度差被这条路径主导。与此同时 ANC 在前段几乎不保留历史噪声（\(a_t\approx 0\)），保证这 5 个候选确实彼此不同。三个时间步之后 \(n^{\text{SGA}}\) 退回 1，不再做多候选，但 ANC 继续累积相关性：到 \(t=0.25\) 时噪声彻底冻结，颜料桶的轮廓、飞溅的颜料颗粒这些高频细节在后续每一步都用同一个噪声生成，不再闪烁。若把 ANC 关掉换成 i.i.d. 噪声，同样的候选选择过程仍在，但桶和颜料会糊成抖动的色块。

损失函数 / 训练策略¶

这篇论文没有损失函数，也没有任何训练——既不微调基座模型，也不做逐视频的测试时优化，更不训练任何辅助网络。全部"策略"都在推理期，由下面这几项组成：基座模型用 WAN2.1 14B 480p I2V（附录中另给 Hunyuan 1.5 I2V 的定性结果）；SGA 的候选数在前三个时间步取 5、之后取 1（\(n^{\text{SGA}}_i=5,\ i>N-3\)）；ANC 的 \(a_t\) 从 0 线性升到 1、在 \(t=0.25\) 到 1 之间保持为 1；源/目标两套速度场各自使用无分类器引导（CFG），论文实验了 \((4.5,8.5)\) 与 \((2.5,4.5)\) 两组取值；SGA 温度 \(\tau\) 取 0.01 或 1。二者交叉得到四组配置，论文对四组都做了定量评估；用户研究中则按编辑幅度动态选配置——改动场景较大范围时用高 CFG 配置，需要更强运动改动时用高 \(\tau\) 配置。

实验关键数据¶

主实验¶

评价集由作者手工构建：从 Pexels 挑选源视频，配好源提示与目标提示以及编辑后首帧，共 71 组四元组，覆盖四个类别——(a) 需要与原有内容双向交互的物体插入、(b) 会改变事件结局的物体替换、(c) 物体运动与动作的修改、(d) 全局时空效果，每类至少 15 例。视频长 49–81 帧、832×480、16fps，与 WAN 模型的预期输入对齐。对比对象包括免训练的 FlowEdit、FlowAlign、ODE 反演、I2V 直接采样、SDEdit，以及训练式的 Runway Aleph；FlowDirector 与 DynVFX 因为只支持物体替换或插入，只在对应类别上比较。所有对比方法拿到同一张编辑后首帧。

评估分两条线：VLM 打分（Gemini 3 Pro 对"对源视频的忠实度、对目标文本的遵从度、整体视觉质量"各给 1–5 分，附录另有 Qwen3-VL 的结果），以及用户研究（32 名参与者、2400 余份回答，每题给一段源视频、一条编辑提示和两段结果——其中一段是本文的，要求选出内容保真更好、文本遵从更好、视觉质量更好的那一段）。下表汇总两条线的结果；VLM 一列论文以散点图给出，因此按论文正文陈述的序关系填写。

方法	类型	VLM 内容保真	VLM 文本遵从	VLM 视觉质量	用户研究：本文相对它的被偏好比例（视觉质量 / 内容保真 / 文本遵从）
DynaEdit（本文）	免训练	最好	与 Aleph 相当	与 Aleph 相当	—
Runway Aleph (Gen-4)	训练式	低于本文（差距最小）	与本文相当	与本文相当	59.2% / 56.4% / 58.3%
FlowEdit	免训练	低于本文	低于本文	低于本文	79.9% / 80.2% / 77.2%
I2V 直接采样	免训练	低于本文	低于本文	低于本文	77.7% / 82.1% / 73.4%
FlowAlign	免训练	低于本文	低于本文	低于本文	未纳入用户研究
ODE 反演	免训练	低于本文	低于本文	低于本文	未纳入用户研究
SDEdit	免训练	低于本文	低于本文	低于本文	未纳入用户研究

表注：用户研究三列数字为"本文被选中"的比例，按论文 Fig. 7(b) 图例顺序（Vs. Aleph / Vs. I2V Sample / Vs. FlowEdit）与列标题（视觉质量 / 内容保真 / 文本遵从）读得，⚠️ 若图表版式与上述读法不同，以原文为准。VLM 一列论文只给出序关系与散点图（附录另有分类别拆解），未在正文给出可直接引用的分数，故此处不填具体数值。本文在四个编辑类别上均显著优于免训练基线，且通常至少与训练式的 Aleph 相当。

消融实验¶

论文的组件消融以定性对比为主、以失效分析为基础（定量消融在附录中给出，本次缓存未含附录），下表把"造成问题的做法"和"修好它的机制"放在一起对照，正好构成一组逐项消融。

配置	现象	说明
FlowEdit，\(n_{\max}=N-1\)	马无法完成跨栏	起始步过于保守，粗粒时空结构没有改写自由度
FlowEdit，\(n_{\max}=N\)	提示遵从变好，但轨迹/相机运动无谓漂移 + 障碍物抖动	初始时刻速度差与源视频脱钩；噪声跨步无关导致扰动累积
FlowEdit，\(n_{\text{avg}}=100\)	编辑结果发糊	对互相矛盾的候选方向直接求平均
跨时间步使用同一噪声	高频抖动消失，但低频对齐变差（插入的桶悬空）	噪声退化成单一实现，SGA 失去可选择的多样性
本文 w/o SGA（沿用 FlowEdit 的平均）	龟的运动、相机运动与源视频漂移	少了按相似度软选择，聚合退化为盲平均
本文 w/o ANC（改用 i.i.d. 噪声）	颜料飞溅抖动、旗帜溶解等高频伪影	相邻时间步方向不一致，扰动在积分中累积
本文（完整）	三类编辑均可用，内容保真与文本遵从同时在线	前三个时间步 SGA 提供多样性，ANC 在后段冻结方向

关键发现¶

两个机制解决的是两个不同层次的问题，缺一不可：SGA 决定低频（相机运动、物体轨迹、事件时序）是否忠于源视频，ANC 决定高频（新生成物体的纹理与轮廓）是否稳定。论文的定性消融分别给出证据——去掉 SGA 时龟的运动与相机运动漂移，去掉 ANC 时颜料和旗帜抖动溶解。
两者在时间上恰好是互补的：SGA 需要多个彼此独立的噪声样本来提供候选，而抑制高频抖动又需要噪声在后期趋于一致。ANC 的退火调度正是把这个矛盾按时间轴切开，只在后期收紧相关性，因此不会像"全程同噪声"那样牺牲低频对齐。
自由度必须给足再谈忠实：把 \(n_{\max}\) 从 \(N-1\) 推到 \(N\) 是这类编辑能成立的前提，而不是一个可调的细节；不推上去，后面的机制都无从发挥作用。
编辑内容同时受"首帧条件"和"文本条件"两条通道控制：插入物体、换材质这类改动主要靠编辑后首帧注入，纯动作与动态的改动则靠目标提示加上从纯噪声起步。论文还验证过提示的具体措辞不影响方法表现（附录 3.7）。
在"两个草莓落水、把右边那颗换成羽毛"这类需要改写物理过程的例子里，DynaEdit 是唯一给出可信结果的对比方法：羽毛缓缓下落到水面然后漂浮，而左侧草莓的运动完全没被改动；其他方法要么让左侧草莓消失/淡出（Aleph、FlowAlign），要么改变了它的速度（FlowEdit、I2V 采样）。

亮点与洞察¶

把"改多少"从噪声幅度解耦到模型条件上：已有反演无关方法用一个 \(n_{\max}\) 同时承担"能改多粗"和"有多忠实"两个职责，必然要折中。本文改成粗粒结构交给目标提示、身份与场景交给编辑后首帧，两个需求各自有独立通道，才谈得上既改运动又不丢身份。
在"终点"而不是"速度"上做判断：SGA 的巧妙之处是先用一步直线外推把候选方向变成"可能会得到的视频"，再拿这些假想终点与源视频比相似度。速度空间里的平均是几何意义的折中，容易糊；终点空间里的比较才有语义——这是把选择问题从优化问题里拆出来的做法，可以迁移到任何"多个候选引导方向需要择优"的免训练编辑场景（例如图像编辑、3D 编辑中的多候选引导）。
用噪声的时间相关性做频带控制：ANC 把"抖动"归结为跨时间步的噪声不相关，于是可以用一个标量调度 \(a_t\) 来按频率层次分配随机性——早期放开、后期收紧。这个思路与扩散采样里常见的噪声调度正交，属于"给随机性加时间结构"的通用手法。
失效分析驱动设计：论文没有直接堆模块，而是先用三组对照实验（换初始噪声、跨步同噪声、加大 \(n_{\text{avg}}\)）把两种劣化现象分别归因，再针对归因设计补偿机制。这种"先给出可复现的失效证据、再动手"的写法本身值得学习。
全部机制都作用在速度场的估计上，不改模型内部，因此理论上可以换到别的流模型上（论文在附录中给出了 Hunyuan 1.5 I2V 的定性结果）。

局限与展望¶

作者承认方法继承了基座 I2V 模型的能力上限：模型本身在物理上有短板时，编辑会跟着出错；同时它在"做非常大的时空改动"与"同时保住不该被改的区域"之间存在张力，常常顾此失彼。
编辑后首帧依赖一个外部的图像编辑模型（本文用 Gemini 2.5 Flash Image），这意味着内容类编辑的质量上限被这个前置模块决定，而且首帧一旦出错，误差会被 I2V 模型沿整段视频放大。
评价集是作者手工从 Pexels 上挑的 71 组，规模不大且以自然场景为主；四个类别各至少 15 例，细分类别上的结论样本较少。VLM 打分用的是 Gemini 3 Pro（附录补 Qwen3-VL），用户研究 32 人 2400 余份回答——这些数字足以支撑相对排序，但不宜当作绝对性能刻度。
推理成本不低：基座是 14B 的 I2V 模型，前三个时间步要用 5 个噪声各算一次源/目标两套速度场，即前几步的算力约为单路编辑的 10 倍；再加上两套 CFG，整体开销明显高于普通采样。
可以改进的方向：把 SGA 的候选评估从"一步直线外推"换成更准的少步外推或代价更低的代理指标；把 ANC 的 \(a_t\) 从线性改成按内容自适应（例如按新生成区域的面积决定后期冻结的时机）；把首帧编辑与轨迹编辑联合优化，而不是像现在这样串行解耦。

评分¶

新颖性: ⭐⭐⭐⭐ 首个免训练地把反演无关编辑推到结构性不受限的编辑，两个机制（SGA、ANC）各自对应一个被清晰归因的失效现象，问题定义与解法都很干净；不过轨迹框架本身承自 FlowEdit，属"在既有范式上换关键组件"。
实验充分度: ⭐⭐⭐⭐ 自建 71 组四类别评价集，VLM 打分 + 32 人用户研究 + 对训练式模型的直接比较，四组超参配置都有评估；但定量消融放在附录，评价集规模与类别细分样本量有限，也缺少跨基座模型的定量结果。
写作质量: ⭐⭐⭐⭐ 失效分析的推理链很清楚（现象 → 归因 → 机制），三组对照实验把动机交代得可信；代价是方法部分的符号与公式密度偏高，图 3、图 4 的信息量很大。
价值: ⭐⭐⭐⭐ 免训练、不碰模型内部、效果追平商用训练式模型，对买不起训练数据的场景很有吸引力；主要限制在 14B 基座带来的推理成本与对首帧编辑模型的依赖。