生成式视频
生成视频真正的进步，不是第一版更惊艳，而是少改了多少轮
观看生成式视频 demo 时，人们最容易比较画面质量。但对真正做内容的人来说，更重要的指标通常藏在 demo 之外：为了得到这几十秒，创作者到底改了多久？
Thariq 的完整观点
Anthropic Claude Code 团队的 Thariq 回看了自己大约一年前发布的早期实践——那是较早一批使用 Claude Code 制作视频的尝试。
他补充了当时没有出现在成片里的成本：每一个结果其实都经过了很长时间的来回迭代。他需要不断指出具体哪里不对，让 Claude 修正细节，才得到最终展示的版本。
一年之后再看，他感叹这项能力已经走了很远。这里的变化不只是模型会不会生成视频，而是同样的目标需要多少人工指导、多少轮纠错和多少时间才能达到。
Matrix 的判断
生成工具最容易隐藏“最后一公里成本”。一段漂亮成片可能来自一次 prompt，也可能来自两小时纠错。两者对产品价值的意义完全不同。
如果模型第一稿提升 20%，但局部修改仍会破坏角色、节奏和镜头连续性，创作者并没有真正获得稳定工作流。相反，哪怕第一稿没有那么惊艳，只要它能听懂精确反馈、保留已经正确的部分、快速重做错误片段，生产成本就会明显下降。
因此，生成式视频的关键指标应该从“最好的一条长什么样”，转向“到达可用质量需要多少人类干预”。
怎么记录真实进步
连续一年用同一类任务做测试：相同长度、相同角色数量、相同镜头复杂度。记录首稿时间、纠错轮数、局部重做次数、一处修改引发的连带错误，以及最终人工接管了哪些步骤。
当纠错轮数稳定下降，创作意图能被持续保留，工具才从 demo 机器变成生产工具。对产品设计者来说，减少一次无效来回，往往比再提升一点峰值画质更有价值。