CineEvolve：让导演与评论家在强化学习中共同进化，打磨多镜头电影式视频

多镜头电影视频生成和单段视频生成不同。它不只要求画面好看，还要求镜头之间有连贯的叙事：谁在场、情绪如何推进、景别与机位怎样切换，才能讲成一个完整的故事。论文指出现有方法有两类短板。一类缺乏叙事层面的推理，只是把提示词扩写成一串镜头描述。另一类沿用前馈式工作流，从剧本到画面一路做下去，生成之后没有任何反馈，也没有对策略本身的更新，所以同样的错误会反复出现。针对这个问题，作者提出 CineEvolve，一个面向电影式多镜头视频生成的智能体自进化框架。它的核心想法，是把 Director 和 Critic 两个角色放进同一个视觉语言策略里。这个设计模仿真实的拍片现场：导演不断给出创作方向，评论者不断提出批评意见，两者来回打磨，作品才会越改越好。

论文的贡献有三点：统一的双角色策略、稳定共同进化的 E-GRPO 算法，以及 4 万条规模的 CineTraj 数据集。在方法上，CineEvolve 的两个角色共享同一个视觉语言模型的参数，通过不同的任务角色切换行为。Director 负责创作与修订，规划多镜头的叙事结构，并在收到批评之后做有针对性的修改。Critic 负责审视已有的结果，指出其中的缺陷。训练使用交替强化学习：先让 Director 暴露出生成结果中的缺陷，这些缺陷成为锻炼 Critic 的素材，使它的判断更敏锐；然后用更新后的 Critic 去指导 Director，让后者做出更精准的修订。两个角色因此互相提供训练信号，形成共同进化的闭环。这种闭环有一个稳定性风险：两个角色同时变化，奖励基线会不断漂移，容易出现优势膨胀，也就是策略看似得到了很大的优势值，实际并没有变好。为此作者提出 Evolutionary GRPO，简称 E-GRPO，是在 GRPO 基础上的改进。

它包含两个机制。历史锚定用早先阶段的表现作为参照，避免优势估计随对手的变化而漂移。修订保护则确保修订动作不会因为评价标准的变化而被错误地奖励或惩罚，从而守住修订带来的真实增益。论文摘要没有给出更多网络结构细节，这里不做推测。数据方面，作者构建了 CineTraj，包含 4 万条电影轨迹，覆盖创作、评论和修订三类环节。它不是单纯的成品视频集合，而是记录了从初稿到批评再到修改的完整过程，正好对应 Director 和 Critic 需要学习的行为，为交替强化学习提供了冷启动和监督的素材。实验部分，摘要只给出了总体结论：大量实验表明 CineEvolve 优于现有方法。摘要没有列出具体的基准名称、指标数值或消融结果，所以这里无法给出确切数字。

可以确定的是，论文的对比对象涵盖了缺乏叙事推理的方法，以及没有策略更新的前馈式工作流。评判这类工作时，读者应关注几个问题：多镜头之间的叙事连贯性是否提升，修订轮次是否带来可测的质量增益，以及 E-GRPO 的两个机制各自贡献了多少。这些细节需要等论文正文和代码发布后才能核对。CineEvolve 的意义，首先在于把"生成后改进"变成可以训练的能力。过去很多视频生成流水线靠人工写提示词、靠人工挑结果，反馈是外置的。这篇论文把批评与修订内化进策略本身，并用强化学习直接优化，这条思路可以迁移到其他需要长程规划的生成任务，比如长视频、分镜脚本和动画制作。其次，E-GRPO 针对双角色共同训练的不稳定性给出了专门设计，对于任何想让"生成者"和"评审者"共享参数、相互促进的系统，都有参考价值。再次，CineTraj 提供了带有创作、评论、修订三种标注的轨迹数据，如果公开，将降低后续研究的门槛。对工业落地来说，影视预演、广告分镜和短剧制作都需要多镜头一致性，自进化的导演加评论家框架有机会减少人工返工。作者承诺将在 GitHub 上发布代码，社区可以复现并检验其效果，也可以在此基础上换用更强的视频生成后端。需要注意的是，目前能确认的只有摘要层面的结论，更细的效果还需要后续验证。