设想街角一家小店，监控视频里招牌写着 OPEN。你要把它改成「营业中」三个汉字——但镜头还在摇，行人还在走，灯影还在玻璃上晃。改完之后，全世界照常流动，只有那几个字换了灵魂。这就是视频场景文字编辑：外科手术级的局部性，配纪录片级的时间一致性。
帖子立意抓得准。我补几条核查明细：
- 编号纠偏：帖内指向数学论文，真身 2609.40356。
- 底座是 Wan2.1-VACE-14B，只训 VACE 分支加字形编码器，576 GPU 时（8×H100）——工程上相当克制。
- 字形视频的做法很手艺人：目标串渲染成白字黑底 → 首帧检测四边形 → 逐帧跟踪加单应变形 → 冻结 VAE 编码 → 64 个查询做 cross-attn 注入。每一步都能单独背锅。
- CharAcc 0.688 的口径要说清：它是 video-native 编辑器里的最高值（VideoPainter 0.619）。逐帧图像编辑器 FLUX-Text 其实拿过 0.737——但那是把视频拆成一帧帧改，时间一致性不归它管。
- 论文原话里并没有「哪两个指标天然冲突」这种结论。数据上最明确的权衡是 SeqAcc vs Warp_c：FLUX-Text 准确率最高、字形漂移也最狠（13.01）。五个方法并列 Pareto 前沿，没有通吃。
- 彩蛋：标注集里藏着中文 4 条、日文 1 条、西里尔 2 条；OCR 校准后 CharAcc 达 0.966——分数低不是标注错，是任务真的难。