Режиссёр за кадром: почему раскадровка — узкое место
Раскадровка превращает сценарий в последовательность визуальных планов: где стоит камера, что делают герои, как меняется ракурс. В производстве коротких драм этот этап напрямую определяет, насколько сцена будет живой. Но профессиональные раскадровщики опираются на опыт, который трудно передать словами. Это неявное знание — главная причина, почему автоматизация здесь буксует.
Казалось бы, большую языковую модель можно научить раскадровке на примерах. Однако на этом пути возникают три препятствия:
- Приобретение знаний. Мастерство режиссёра не лежит на поверхности: оно неявно присутствует в примерах, а записывать его вручную — долго и дорого.
- Уточнение знаний. Созданные вручную правила не проверяются на практике. Когда модель генерирует раскадровку, невозможно понять, какое именно правило привело к ошибке, и непрозрачная генерация не даёт привязать обратную связь к конкретному решению.
- Внедрение знаний. Даже если собрать полный свод правил, он не помещается в контекст модели. А отбирать правила вручную для каждого жанра или сюжетной группы — непозволительно долго.
Из-за этого раскадровка остаётся «бутылочным горлышком» в индустрии: она требует участия дорогих специалистов и тормозит весь конвейер. Если научить модель работать с режиссёрскими правилами, производство коротких драм можно серьёзно ускорить — именно эту задачу решает новая разработка.
SAGE: правила, которые эволюционируют
Группа исследователей из восьми авторов представила на arXiv фреймворк SAGE (Self-Evolving Storyboard Skills via Attribution-Guided Rule Evolution). Статья вышла 18 августа 2026 года, идентификатор 2608.17468, категория cs.AI. Главная идея — не заставлять модель заучивать чужие примеры, а научить её извлекать и обновлять режиссёрские правила.
Сначала SAGE анализирует пары «сценарий — экспертная раскадровка» и выводит из них правила, которые не привязаны к конкретному эпизоду. Это похоже на то, как стажёр смотрит на работы мастера и формулирует принципы: «в диалоге держим обоих героев в кадре», «в момент напряжения укрупняем план». Такие правила можно переносить между разными историями, не переучивая модель с нуля.
Во время генерации модель запоминает, какие правила использовала каждая нарративная группа. Зачем это нужно? Если итоговая раскадровка оказалась неудачной, обратная связь привязывается именно к тем правилам, которые участвовали в решении, а не ко всему набору. Так система понимает, какое правило «подвело», и обновляет только его. Это снимает проблему непрозрачности: каждое решение можно атрибутировать к конкретному знанию.
Эволюционировавшие правила собираются в сценарные пакеты с индексом маршрутизации. Для каждого нового сюжета система сама подбирает компактный набор правил, не требуя вмешательства эксперта. Получается замкнутый цикл: модель учится, атрибутирует ошибки, развивает правила и распределяет их по задачам. Никакой ручной настройки под каждый жанр — маршрутизация решает, какой именно пакет нужен в конкретной сцене.
В отличие от простого промпта с примерами, SAGE не пытается уместить весь режиссёрский опыт в один запрос. Вместо этого он работает как система управления знаниями: правила живут отдельно, обновляются по мере накопления обратной связи и подключаются только тогда, когда нужны. Это делает процесс более прозрачным и масштабируемым.
Цифры, которые говорят сами за себя
Чтобы проверить SAGE, исследователи использовали рубрику, валидированную экспертами, и сравнили систему с профессиональными режиссёрами на 18 тестовых эпизодах в трёх жанрах. Результат: 77,8 балла у SAGE против 77,1 у людей. Пусть разрыв небольшой, но важно, что ИИ впервые вышел на уровень выше среднего профессионала. При этом SAGE не просто копировал чужие работы — он применял собственные правила, которые сам же и развивал.
Важно подчеркнуть, что тесты проходили в разных жанрах, поэтому результат нельзя списать на удачное совпадение с одним типом сюжета. Система показала стабильно высокое качество во всех трёх направлениях.
Затем фреймворк развернули в Virtual Film Studio на 14 дней. За это время SAGE создал 1 344 выхода для нарративных групп, и 87,2% из них были приняты без существенных правок. Это значит, что редакторам и режиссёрам почти не приходилось переделывать сгенерированные планы — только вносить мелкие штрихи. Производственная команда отметила, что время авторской работы сократилось более чем на 83% на эпизод. Это не просто лабораторный результат, а практическое подтверждение: раскадровка перестаёт быть бутылочным горлышком.
Открытый набор данных и перспективы
Вместе с фреймворком авторы выпустили набор данных PROSE — первую публичную коллекцию, где сценарии идут в паре с раскадровками профессиональных режиссёров. В нём 68 эпизодов. Это важно для всего сообщества: теперь другие команды смогут сравнивать свои подходы на едином материале, а не изобретать собственные метрики. Кроме того, это хорошая база для дообучения будущих моделей — не придётся с нуля собирать размеченные данные.
Публикация PROSE — это ещё и вклад в воспроизводимость исследований. До сих пор каждая команда использовала свои приватные данные, из-за чего сравнение результатов было затруднено. Теперь у сообщества есть общая точка отсчёта.
Конечно, раскадровка — лишь один из этапов производства. Но подход SAGE, основанный на атрибуции обратной связи к конкретным правилам, может оказаться полезным и в других творческих задачах — от монтажа до аниматики. Чем больше модель понимает, почему она приняла то или иное решение, тем легче её контролировать и улучшать. Возможно, следующий шаг — перенос этого принципа на другие этапы кинопроизводства, где тоже много неявного мастерства.
Статья занимает 11 страниц, включает 9 рисунков и 4 таблицы. Ознакомиться с полной версией можно на arXiv по идентификатору 2608.17468.
