騰訊公佈 SCoPE：加不到 0.1% 引數，就能精準控制 AI 影片運鏡

用 AI 生成過影片的人都知道，最讓人抓狂的往往不是畫質，而是不聽話的鏡頭。你讓它往前推，它可能給你來個傾斜漂移；更要命的是轉個彎再看回來，剛才那棟房子八成已經變異了。

這週，騰訊研究團隊公佈了一套名為 SCoPE 的運鏡控制技術，全稱是面向影片擴散 Transformer 的視線座標位置編碼。它沒有去大改底層模型，僅靠增加不到 0.1% 的引數，就讓影片模型乖乖按照預定軌跡運鏡。

把相機視線當成「門牌號」

以往讓 AI 影片聽指揮很難，核心癥結在於模型在生成畫面之前，根本不知道畫面裡的物體究竟在三維世界的哪個點上。強行喂相機位姿，模型很容易把幾何資訊和畫面內容搞混。

SCoPE 的思路很討巧：它不去猜具體的物體位置，而是把使用者指定的攝像機視線，直接當成每個 token 的第二個座標地址。這就好比先給空間拉好經緯線，不管生成什麼內容，視線方向是絕對錨定的。

在底層實現上，研究人員通過一組輕量的標準化、門控與注入機制，將視線幾何特徵合進了原本的注意力和鍵值計算中，同時完全保留了預訓練模型自帶的 RoPE 編碼。整套改動極度輕巧，新增引數不到 0.1%，但在 5B 和 14B 引數規模的模型上，控制精度和畫面質量都有明顯提升。

轉頭 90 度再轉回來，場景不穿幫

在實際效果上，只要給它一張靜態圖和一段相機運動軌跡，它就能生成穩定運鏡的影片片段。無論是向後拉遠並升高、推移橫掃、S 曲線推進，還是經典的搖臂上升，畫面都會死死咬住設定好的路徑。演示中甚至支援通過鍵盤的 WASD 鍵，像打遊戲一樣即時操控第三人稱運鏡。

更讓人眼前一亮的是它自帶的「重訪一致性」。鏡頭向右轉 90 度穿過一扇大門，然後再原路轉回，之前看到過的場景依然穩穩固定在原地，完全沒有漂移變形。

研究團隊指出，這種一致性是座標系本身帶來的幾何必然，並不需要外掛額外的長期記憶機制。目前該專案的程式碼已經按 Apache 2 許可證開源，包含了本地部署和執行的完整說明。

為什麼重要

鏡頭語言是影視敘事的骨架。過去創作者在 AI 影片裡反覆抽卡，很大程度是因為運鏡全靠提示詞玄學抽獎。SCoPE 這種能吃進精確軌跡的方案，讓真正可控的分鏡設計和 3D 概念預演邁出了紮實的一步。

我們認為騰訊這一步走得相當聰明。很多團隊為了做相機控制，要麼外掛一個沉重的控制網路，要麼耗費巨資全量重訓。SCoPE 像做了一場微創手術，用極低的算力門檻把空間幾何塞進了現成的 DiT 架構裡，價效比極高。

不過也要看到，它目前的驗證主要集中在單圖起手和規範軌跡上。面對複雜的多主體動態互動或者長影片跨鏡頭敘事，這套輕量幾何編碼能不能扛住更復雜的現實場景考驗，還得看開源社群接下來的壓力測試。