在视频生成模型中，显式的点对应关系能够直观描述可见表面的运动，但也可能覆盖大规模预训练模型已学习的外观信息。本文聚焦于一个拥有 5.01B 参数 的文本到视频扩散 Transformer，探讨这一张力并提出 AcrossVAM2.0 方案。\ \ AcrossVAM2.0 由三部分组成：\
- 置信度加权的跟踪与可见性头，用于估计点的轨迹可靠性和是否在帧间可见；\
- 零初始化的残差反馈，在适配阶段仅在需要时对生成器输出施加微小校正；\
- 不对称 PCGrad，在共享 LoRA 参数上只移除与主流动匹配梯度相冲突的辅助梯度，从而保持生成器在初始化时的完整性并保护其主要更新。\ \ 实验在四种消融设置下进行，每种设置训练 1,000 步，使用 3 个独立随机种子。完整方法相较于仅使用流信息的基线，在所有种子上均降低了 KLT 前向‑反向循环误差（种子层面平均差值 -0.00711，标准差 0.00505），且锐度保持正向。进一步的 24 条提示词（共 216 条视频）评测显示，整体 CoTracker3 循环误差下降 9.7%，在 VBench 的六个维度上表现接近基线；然而 I3D‑FVD 从 0.1824 回升至 0.2022，表明质量提升并非一致。\ \ 结论是：冲突感知的适配能够提升对应一致性而不导致显著的感知退化，但并未在所有视频质量指标上统一提升。我们公开了公式、伪代码、匹配输出、源表格以及制品溯源信息。\ \ 点评