只是优化提示词？WanPE 直接上了 397B
阿里 Wan 团队最近发布了 WanPE 论文，专门研究视频生成前的 Prompt Enhancement。

它做的已经不只是传统意义上的“提示词润色”。
比如用户只写一句：“骑士在山顶挑战巨龙，最后被巨龙甩飞。”
传统 Prompt Enhancer 可能只是补充画风、光线、镜头感。
WanPE 会继续往下拆，规划成多个 shot，明确每一段发生什么、镜头怎么拍、灯光怎么变化、音乐和音效怎么配。论文里的例子中，原始请求只有大约 430 个字符，最后会被扩展成 6000 多字符的完整视频规划。

它比较特别的一点，是训练数据的构造方式。
传统做法通常是：用户 Prompt → LLM 扩写 Prompt
WanPE 反过来。团队先收集了约 105 万条真实视频，用多模态模型把这些视频还原成详细的 cinematic description，包括镜头、人物、动作、运镜、灯光、对白、音乐和音效。
然后再根据这些描述，反推出一条更接近普通用户会写的原始请求。
也就是：真实视频 → Cinematic Plan → 用户请求
训练时，再让 WanPE 学习从用户请求恢复这套视频规划。

除了 SFT，WanPE 还做了一轮 SC-GRPO，主要解决长 Prompt 里的语义漂移。
比如人物属性被改了、台词串人、动作顺序错误，或者前后镜头出现冲突。
397B 版本做完 RL 后，语义一致性分数从 75.5 提升到 97.6，Failure 从 36.9% 降到了 2.8%。

另外一个比较明显的结果是：视频越长，Prompt Enhancement 越重要。
同一个 Wan3.0 视频生成器：
5 秒提升 10.66 分， 10 秒提升 16.28 分， 15 秒提升 18.84 分， 到了 30 秒，偏好分直接从 9.38 提升到 60.24。

所以 WanPE 虽然名字还是“提示词优化模型”，但它实际做的事情已经更接近一个 Cinematic Planner。
先理解用户想要什么，再把 30 秒视频拆成完整的镜头和时间线，最后交给视频生成器执行。
也就是说，长视频生成正在慢慢从：
Prompt → Video
变成：
用户需求 → 视频规划 → 分镜 / 时间线 → Video。

大模型 视频生成 Wan