MovieGrid 用多网格后训练生成多镜头长视频，镜头数提升 6.05 倍

论文提出 MovieGrid 多网格后训练范式，将长视频分解为按时间排序的短片并排布在空间网格上联合建模，从而减少每条时间轴要处理的镜头数量。作者基于 1,000 个长视频构建 MGLV 数据集，产出 54K 网格视频及带角色标注的故事提示词。