已收录文章摘要，完整内容可前往原文阅读。
“千呼万唤始出来，犹抱琵琶半遮面”——这句诗恰如其分地道尽了当下视频生成大模型的现实痛点：用户输入提示词后，往往需要经历数分钟乃至数十分钟的漫长等待，最终只能被动接收一段无法即时干预的成品，与即时通讯