编辑要求局部内容与整张图相容；视频还要求此刻与之前发生的事情相容。看这只红杯：它从挡板左侧向右移动，先只剩一部分可见，随后被完全遮住。此时画面没有杯子，并不意味着杯子已经从这段事件里消失。

我们要续接的是“同一个杯子经过挡板”的事件。因而杯口、杯柄和颜色仍是识别它的线索。当挡板右侧出现一只蓝杯，单看这一帧可能很像真实照片，但它没有解释红杯怎样变成了蓝杯。缺失的是与此前事件的联系，而不只是这一帧的画面质量。换回与首帧相同的红杯，才恢复了本题要求保留的身份线索。

“完全看不见时，为什么不允许换成蓝杯？”若故事明确给出了换杯、染色或特殊照明等条件，就要据新条件判断。本例没有这些事件，课堂要求也是同一只杯子穿过挡板。遮挡减少了观察者的信息，没有自动授予生成器改写对象身份的自由。这并不是说所有视频中的颜色永远不能改变。

“只要把同一只红杯复制到每一帧，不就满足了吗？”也不够。它还要出现在合理的位置，按事件顺序移动，并在经过挡板时受到正确遮挡。身份、空间关系和运动需要一起成立；固定外观只是其中一项。视频生成要学习的因此不是一张张互不相干的照片，而是跨时间的联合关系。时空网络和时间注意力是组织这类联系的方法，具体方法怎样做可以在学习材料中继续看。

同一段历史还可能有多种合理后续，例如杯子继续前进或减速；本页只固定了要检查的身份条件，没有要求唯一未来。给生成器相同随机种子也不是跨帧一致的保证，仍要检查实际事件关系。

这组分镜是用于暴露判断差别的课堂示意，不是某个视频模型连续采样的结果；它说明该检验什么，没有给出任何模型已经通过的证据。

现在先留住一个更强的问题：能接着播放一个未来，是否意味着模型知道我改用另一种动作以后会发生什么？接下来先看语言、图像和声音如何互相提供条件，再看文字怎样生成。到 N47，我们会把这个问题放回杯子与真实反馈之间，区分续播、行动预测和任务完成。