自回归视频生成

Autoregressive Video Generation进阶

按时间顺序一帧或一段接一段往后生成视频，可以边生成边播放

很多视频扩散模型一次生成整段视频，各帧双向互看，必须等整段算完才能输出，也难以中途接收新的动作输入。自回归视频生成改成按时间顺序往后续写：每一帧或每一小段只以已生成的内容为条件，配合因果注意力和 KV 缓存，就能流式输出、实时响应用户或机器人的动作，这正是可交互世界模型需要的。主要难点是误差累积（曝光偏差）：训练时模型看的是真实历史，推理时看的是自己生成的、带误差的历史，时间一长画面会崩。CausVid（CVPR 2025）把双向模型蒸馏成 4 步的因果模型，单卡 9.4 帧/秒；Self Forcing（NeurIPS 2025）在训练时就用模型自己的输出当历史，缩小训练和推理的差距。