腾讯公布 SCoPE：加不到 0.1% 参数，就能精准控制 AI 视频运镜

用 AI 生成过视频的人都知道，最让人抓狂的往往不是画质，而是不听话的镜头。你让它往前推，它可能给你来个倾斜漂移；更要命的是转个弯再看回来，刚才那栋房子八成已经变异了。

这周，腾讯研究团队公布了一套名为 SCoPE 的运镜控制技术，全称是面向视频扩散 Transformer 的视线坐标位置编码。它没有去大改底层模型，仅靠增加不到 0.1% 的参数，就让视频模型乖乖按照预定轨迹运镜。

把相机视线当成「门牌号」

以往让 AI 视频听指挥很难，核心症结在于模型在生成画面之前，根本不知道画面里的物体究竟在三维世界的哪个点上。强行喂相机位姿，模型很容易把几何信息和画面内容搞混。

SCoPE 的思路很讨巧：它不去猜具体的物体位置，而是把用户指定的摄像机视线，直接当成每个 token 的第二个坐标地址。这就好比先给空间拉好经纬线，不管生成什么内容，视线方向是绝对锚定的。

在底层实现上，研究人员通过一组轻量的标准化、门控与注入机制，将视线几何特征合进了原本的注意力和键值计算中，同时完全保留了预训练模型自带的 RoPE 编码。整套改动极度轻巧，新增参数不到 0.1%，但在 5B 和 14B 参数规模的模型上，控制精度和画面质量都有明显提升。

转头 90 度再转回来，场景不穿帮

在实际效果上，只要给它一张静态图和一段相机运动轨迹，它就能生成稳定运镜的视频片段。无论是向后拉远并升高、推移横扫、S 曲线推进，还是经典的摇臂上升，画面都会死死咬住设定好的路径。演示中甚至支持通过键盘的 WASD 键，像打游戏一样实时操控第三人称运镜。

更让人眼前一亮的是它自带的「重访一致性」。镜头向右转 90 度穿过一扇大门，然后再原路转回，之前看到过的场景依然稳稳固定在原地，完全没有漂移变形。

研究团队指出，这种一致性是坐标系本身带来的几何必然，并不需要外挂额外的长期记忆机制。目前该项目的代码已经按 Apache 2 许可证开源，包含了本地部署和运行的完整说明。

为什么重要

镜头语言是影视叙事的骨架。过去创作者在 AI 视频里反复抽卡，很大程度是因为运镜全靠提示词玄学抽奖。SCoPE 这种能吃进精确轨迹的方案，让真正可控的分镜设计和 3D 概念预演迈出了扎实的一步。

我们认为腾讯这一步走得相当聪明。很多团队为了做相机控制，要么外挂一个沉重的控制网络，要么耗费巨资全量重训。SCoPE 像做了一场微创手术，用极低的算力门槛把空间几何塞进了现成的 DiT 架构里，性价比极高。

不过也要看到，它目前的验证主要集中在单图起手和规范轨迹上。面对复杂的多主体动态交互或者长视频跨镜头叙事，这套轻量几何编码能不能扛住更复杂的现实场景考验，还得看开源社区接下来的压力测试。