**让 MLLM 潜变量发挥关键作用：面向电影级视频生成的因子感知预测学习**

_Making MLLM Latents Matter: Factor-Aware Predictive Learning for Cinematic Video Generation_

> 针对电影级视频生成中时间推理与因子控制（如角色、场景、动作）的难题，研究提出了因子感知预测学习（FAPL）框架。该框架通过冻结 MLLM 与连接器的联合训练，有效解决了多模态大语言模型（MLLM）潜变量在视频生成中难以直接利用的问题。实验表明，FAPL 在稀疏输入生成、因子感知编辑及多镜头生成等任务上均优于现有基线，显著提升了 MLLM 特征的可控性与生成质量。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-23 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.30926)