时序一致性（Temporal Consistency）指的是：在一段视频里，相邻帧对同一个物体、同一块纹理、同一张脸的描述保持连贯——说人话就是"别闪、别抖、别变脸"。
为什么它这么难
视频拆开就是"一叠排好队的图片"。绝大部分生成模型的本职工作是画好一帧，它对前后帧没有天然的责任感。更要命的是，扩散类模型每一帧都从各自的随机噪声出发，随机数不同，细节就微微不同：这帧眼角多一道褶，下帧少一道；这块墙砖上一帧偏灰，下一帧偏蓝。单看每一张都挺好看，连起来播放，人眼对"跳变"极其敏感，立刻就成了闪烁和抖动。
打个比方：你请一百个画师，一人画一帧动画，但彼此不许交流、不许看别人画了什么。结果就是猫的胡子每帧长度不一样，衣服颜色逐帧漂移，主角的脸从第三帧开始慢慢变成另一个人。问题不在画技，在于没人负责"连贯"这件事。
长视频更糟。误差会滚雪球：第 10 帧偏一点，第 50 帧偏很多，到第 200 帧已经面目全非，这就是常说的身份漂移（identity drift）。镜头一转、物体被遮挡再出现，模型往往"忘了"它原来长什么样。
业界一般怎么压住它
| 手段 | 做了什么 | 直觉 |
|---|---|---|
| 跨帧注意力 / 共享隐变量 | 生成当前帧时能"看到"相邻帧 | 画师们拉个群，边画边瞟前一帧 |
| 光流与运动约束 | 显式规定像素该往哪儿移动 | 给每个点画好轨迹线 |
| 关键帧 + 传播插值 | 先定几个锚点帧，再往中间补 | 先定构图，再填过渡 |
| 相邻帧共享噪声或初始化 | 让连续帧从相近的随机起点出发 | 起点接近，终点不容易跑偏 |
| 后处理时序滤波、区域重绘 | 生成完再磨平闪烁，脸部单独修 | 剪辑阶段统一调色 |
| 记忆机制 / 更长的时间建模 | 给模型一个"记住前面"的口袋 | 记不住，就会忘脸 |
别和相邻概念搞混
- 帧间平滑：偏观感层面的后处理，把跳变压小；时序一致性是生成过程中就该有的属性。
- 身份一致性：只保证"脸是同一个人"；时序一致性还管衣服褶皱、背景纹理、光照不跳。
- 运动一致性 / 物理合理性：管的是"球抛出去该走抛物线"，轨迹合理不代表画面不闪。
对从业者的实际意义
评估一个视频生成能力，别只看抽出来的单帧截图有多惊艳，一定要完整播放看稳定性——闪烁是最常见的"不可用"原因，影视、广告、电商素材里，一条抖动的片子基本等于废片，而逐帧修脸的时间成本常常高于重新生成。
对普通人来说，这也是识别 AI 视频的小技巧：盯住耳朵、手指、背景文字和纹理，跳变往往先出现在这些地方。同时也就能理解，为什么"多生成几秒"比"生成一秒"难得多——难的不是画得好，而是画得住。
各家模型的具体支持时长与效果，以官方页面为准。