Google 团队提出 VIS-Ground：让交互式视频生成正确锚定上下文

Google 与 UIUC、UCLA 研究者发布 VIS-Ground，用于解决交互式视频叙事中跨上下文依赖无法从单一输入看出的锚定难题。该方法把 contextual grounding 形式化为将异构输入转为可执行约束模型，分上下文抽象、约束归纳、约束视频生成三步。在三个视频生成骨干上取得最高综合得分，较各骨干最强基线平均绝对提升 10.3 分，但依赖抽取与渲染忠实性仍是难点。