一段互动剧情停在走廊尽头。屏幕给出三个选项：推门、转身离开、去看墙上的门牌。你刚读完这几行字，点下去，下一镜已经接上了。
这种体验很容易让人误会：是不是视频模型已经快到不用等了？更准确的说法是，等待没有消失，它被挪到了用户本来就会停顿的地方。
最近看到的公开项目 LAST FRAME 把这套安排写得很直白。它让一段镜头停在最后一帧，由视觉模型理解画面、给出三个可选动作；用户还在看选项时，系统已经并行准备三个可能的后续镜头。用户选中其中之一，播放端取到的往往是已经在路上的结果。
这是一个公开代码仓库里的技术演示，不是第三方跑出的性能报告。它没有证明所有互动视频都能即时续播，也没有证明成本、稳定性和审核能够无限扩张。但它把一个常被忽略的产品问题摊开了：生成视频的速度固然重要，何时开始生成同样重要。
上一帧不是截图，而是状态
普通短视频的下一段，是剪辑师提前定好的。互动生成视频每次都可能走向不同的场景，系统需要先回答一个更基础的问题：现在到底发生到哪儿了？
LAST FRAME 的做法是把上一段的末帧接回下一次生成。这个画面里有角色的朝向、光线、场景、手上拿着什么，也藏着叙事进度。再配上一段很短的状态说明——人物刚说了什么、哪些门还没打开、观众做过哪些选择——下一段才有机会从同一个世界长出来。
只传一张图当然不够。镜头外的事实、人物关系和已触发的规则，仍要用结构化文字保存；只传文字又容易让画面漂走。互动内容真正难的地方，在于把视觉状态和故事状态一起续住。画面连得上，角色却突然忘记自己受过伤，用户一样会出戏。
这也是“末帧”有意思的原因。它不是为了做一张漂亮缩略图，而是在给下一步提供一个可继续推演的坐标。
三个选项，其实是在给系统一段缓冲
假设用户到了门口，最常见的动作就那么几个：开门、查看线索、离开。产品可以在这三个分支上先投入一次生成。用户阅读、犹豫、聊天、比较选项的两三秒，变成后台工作的时间窗。
这和视频网站提前缓冲下一段很像，只是传统视频知道观众将看到什么，互动视频只能押注“他大概率会选什么”。分支数量越多，命中率可能更高，浪费也会更大。三个分支各生成一段，最后真正播放的通常只有一段；如果用户直接输入一个没预料到的动作，系统还得回到较慢的即时生成路径。
所以这里没有魔法，只有一次取舍：用额外算力换更像“连续播放”的手感。适合押注的，是动作空间很窄、叙事节点很清楚的段落；把它铺到开放世界式的任意输入里，账很快就会变得难算。
公开项目的说明也保留了一个分叉：用户可以按预设选项走，也可以输入自定义动作。后者需要先判断这件事在当前画面里是否成立、有没有风险，再决定如何生成。这个慢路径不该被藏起来，它反而提醒我们：交互自由度越高，提前准备能覆盖的比例越低。
把等待放在用户愿意停下来的地方
对内容创作者来说，最值得借的未必是整套技术，而是这个节奏判断。
你可以设想一个很小的互动短片：主角在旧楼道里听见脚步声，镜头停住，给“上楼”“下楼”“敲隔壁门”三个选择。这里的停顿本来就合理，观众会看选项、猜后果。若后台在这时准备后续镜头，等待不再像加载条打断情绪，而像悬念的一部分。
反过来，如果每十秒都让用户选一次，或者在一个本应快速反应的追逐场景里突然停住，再聪明的预生成也救不了节奏。产品设计要先找出哪些停顿是叙事允许的，模型才有地方喘气。
一个能落地的小测试，可以从下面五件事开始：
- 只做一个边界清楚的场景，不急着承诺“无限剧情”。
- 为每次停顿保存状态卡：末帧、角色、道具、位置和已发生的事实。
- 先准备两到三个高概率分支，并给每个分支设预算上限。
- 把预设选项和自由输入分开：前者追求顺滑，后者明确提示需要处理。
- 记录真实等待、废弃分支比例、画面连续性问题和审核拦截，而不是只记录点击率。
最后一条尤其关键。一次试玩里“几乎秒开”，可能来自很短的镜头、很少的用户、较宽松的内容边界；它还不能推出长期可用。分支越多，生成费用、队列波动、缓存失效和失败重试都会一起出现。涉及人物、暴力、敏感行动时，动作判定和内容审核也会占用时间，并且不能为了流畅而省掉。
真正要问的是：这次停顿值不值得
生成式视频很容易被讨论成一场纯速度竞赛。但在互动内容里，体验常常由两件更朴素的事决定：系统有没有记住上一刻发生了什么；用户停下来做决定时，后台有没有做一件有价值的准备。
这不意味着每个项目都该上分支预生成。先做一个五分钟、三处选择的原型，量出等待和浪费，再决定要不要扩大，比先画一张“无限互动世界”的大饼可靠得多。用户感受到的即时，往往不是计算凭空变快，而是有人把计算放到了不打扰他的那几秒。