你让视频模型拍“红灯保持一会儿，再变绿灯”，它可能把两种颜色都画出来，却弄错顺序和时长。这项工作把提示中的先后、持续和状态变化写成时序逻辑——一种可逐帧检查“何时发生、保持多久”的形式规则，让时间要求不再只靠模型揣摩。
作者提出 Temporal Specification Guidance（TSG）。它不重新训练模型，而是在视频生成过程中，利用模型内部的视频—文字注意力判断各个概念在每帧有多明显，再根据规则得分给出修正方向。巧妙之处是，它无需额外的概念识别器，也不用让梯度穿过整个视频模型，因此控制成本较低。
在覆盖 11 类时间约束、共 220 条提示的测试中，作者称 TSG 在五个 CogVideoX 和 Wan 系列模型上，将规则满足率比常规 CFG 引导提高了 9.5 至 20 个百分点。它展示了一种值得关注的变化：视频提示词正从“描述想看什么”，走向“规定事情怎样发生”。