（问题） 随着生成式技术进入规模化迭代阶段，视频生成模型“画面质量、叙事连贯、时序一致、细节稳定”各上面临更高要求。业内普遍认为，决定模型能力上限的关键不后期微调或工程优化，而在更早期的预训练：一旦底座能力不足，后续可补救空间有限，模型在复杂场景中就难以稳定输出。 （原因） 该“上限锁定”的根源在于，预训练不是简单堆数据，而是对模型认知框架的系统塑造。核心工作包括：一是数据结构化与配比，决定模型能覆盖哪些视觉概念、动作模式与场景类型；二是模型架构与表征设计，决定模型如何在空间与时间维度建立关联；三是训练策略与优化路径，决定模型如何形成长时序一致性、细粒度纹理与物理规律等能力。业内人士指出，视频生成天然涉及多尺度、多粒度、多模态的统一建模，既要把握整体叙事与镜头节奏，也要兼顾逐帧细节与跨帧一致，对预训练提出更系统的要求。 （影响） 以Seedance 2.0研发为例，企业内部将其定位为视频生成的重要技术路线之一。多位业内观察者表示，在此类项目中，预训练团队承担“打基础、定边界、提上限”的职责，其产出不仅影响模型在人物形象稳定、运动连续、镜头切换自然等指标上的表现，也决定了后续在内容生产、智能剪辑、数字创意等应用方向的拓展空间。，这一过程也反映出国内企业科研组织方式的变化：在大模型竞争加速的背景下，企业正以更强的工程化与体系化能力，推动成果从论文走向产品，从单点能力走向平台化能力。 （对策） 业内专家认为，夯实预训练能力，需要在“科研—工程—治理”三上同步发力。 一是打通基础研究与工程闭环，围绕多粒度视觉理解、时序建模、跨模态对齐等方向沉淀可复用的方法，缩短从原型到规模训练的转化周期。 二是完善数据治理与安全合规机制，提升数据质量、来源可追溯性与使用边界清晰度，为长期训练与持续迭代提供保障。 三是加强人才梯队与协作机制建设，支持青年科研人员承担关键模块与关键指标攻关，形成“核心骨干+交叉团队+平台支撑”的组织形态。值得关注的是，在以往男性占比更高的有关领域，越来越多女性科研人员在关键技术环节承担重要职责，既优化了人才结构，也为创新带来更多元的视角。 （前景） 面向未来，随着算力、数据与算法共同推进，视频生成将从“可用”走向“好用、稳定、可控”。业内预计，下一阶段竞争焦点将从单次效果展示转向体系能力：包括更长时长的叙事一致性、更高分辨率下的细节稳定、更精细的可控生成与更强的安全约束。作为底座工程，预训练的重要性将更凸显；谁能在数据体系、时序建模与跨模态表达上形成可持续迭代能力，谁就更可能在产业化落地与生态构建中占据主动。
曾妍的成长轨迹展现了中国青年科技工作者的专业能力，也说明多元化人才队伍对科技创新的价值。在人工智能的全球竞赛中，中国科技企业正通过更完善的人才机制与技术积累，培养更多具备国际竞争力的专业人才。这为行业高质量发展提供了参考，也带来更清晰的实践路径。