

> 针对 AI 视频生成中常见的“角色崩坏”与“环境闪烁”痛点，字节跳动联合南洋理工大学推出了 StoryMem 系统。该方案通过模拟人类记忆机制，构建混合记忆库，成功实现了跨场景的长视频内容一致性，且训练成本极低。

## 记忆引擎 混合记忆库锁定视觉核心

在 Sora、Kling 等现有模型中，随着视频时长的增加，多镜头叙事往往会导致角色长相突变或背景细节丢失。StoryMem 的核心突破在于引入了独特的“混合记忆库”（Hybrid Memory Bank）设计。

系统摒弃了将所有历史帧强行塞入模型的低效做法，转而采用双重过滤器机制：首先通过语义分析挑选出最具代表性的视觉核心帧，随后利用质量检测剔除模糊图像。这种选择性记忆策略，既保留了关键叙事线索，又避免了计算成本的指数级增长，从根本上保证了角色形象在不同场景间的稳定性。

![Google_AI_Studio_2026-01-04T06_29_41.534Z.png](https://static.downly.cn/images/02309cc955cff3a08d11a1dc9a082f5a.png)
 <center>图源备注：图片由AI生成</center>

## 算法创新 负时间索引重塑时空逻辑

StoryMem 的另一大创新是引入了 RoPE（旋转位置嵌入）技术，并创造性地赋予记忆帧“负时间索引”。这一操作引导 AI 模型将参考帧识别为“已经发生的过去”，从而在生成新场景时，能够基于“记忆”进行连贯推演，而非凭空捏造。

该系统基于阿里巴巴开源的 Wan2.2-I2V 模型构建，在140亿参数的基础模型上仅增加了约7亿参数的 LoRa 权重，展现了极高的训练效率。在 ST-Bench 基准测试中，StoryMem 的跨场景一致性提升了28.7%，在美学得分与用户偏好上全面超越了 HoloCine 等竞品。目前，该项目已在 Hugging Face 开放权重，为开发者探索长视频叙事提供了强有力的工具。

搜索结果: 记忆机制