在视频生成模型中，第一帧传统上被视为视频的时空起点，仅作为后续动画生成的初始种子。然而，在本研究中，我们揭示了一个根本性的新视角：视频模型在隐式层面将第一帧视为一种概念性记忆缓冲区，用于存储视觉实体，以便在生成过程中后续复用。基于这一发现，我们证明了仅需20至50个训练样本，无需修改模型架构或进行大规模微调，即可在多种场景下实现稳健且泛化的视频内容定制。这一成果揭示了视频生成模型在基于参考的视频定制任务中一种强大 yet 被长期忽视的能力。