当代文生视频已能做到约30秒，并较忠实地跟随复杂条件。论文把流程写成：先在文本空间写成电影剧本，再落到像素。提示词在很大程度上导演整场制作，规划动作、运镜、灯光与声音如何在多镜头序列中展开。作者提出WanPE，一个3970亿参数的提示增强模型，在105万条真实世界视频上训练，试图掌握导演级电影规划。
反向构建与 SC-GRPO
WanPE用视频接地的反向构建来制定镜头级电影计划，而不是把用户句子做前向改写。为在镜头之间和时间内忠实保留用户要求，训练采用Semantic-Consistency GRPO（SC-GRPO）。消融显示，反向构建相对前向改写有明确优势；SC-GRPO在不同模型规模上都能较稳健地保持语义保真。摘要未给出数据构建流程、奖励函数与计算开销，此处不加推断。
WanPEval 与接入 Wan3.0 的结果
为衡量该能力，作者整理人工标注测试集WanPEval，覆盖5秒到30秒、不同意图粒度，并配有约1.1万次盲测成对评估。当WanPE-397B为Wan3.0视频生成器提供增强提示时，相对原始用户提示，人偏好在5至15秒提升10.66至18.84分，在30秒场景提升50.86分。摘要称其在5至15秒领先所有被评估的商业产品，在30秒与Seedance 2.5仍有竞争力。对比名单、评测协议与误差范围均未在材料中给出。
我的判断
提示增强从「写得更细」变成「按导演方式拆分镜」，对应的是长视频真正难写的部分：跨镜头一致性与时间规划。30秒提升幅度远高于短时长，符合这一判断，但也提醒我们：评测绑定了Wan3.0，不能直接当成通用提示器的绝对增益。397B加百万视频是重工业路线，价值在于把规划能力产品化，而不是给出可轻易迁移的小技巧。适用边界是已经能跟复杂条件的文生视频栈；对短视频或提示已经很完整的用户，增量可能有限。材料仅为摘要，商业对比、失败模式与是否开源都未知，评价应克制。