突破视频生成瓶颈：In-Context Forcing 提出渐进式自回归新范式

type

status

date

slug

summary

传统模型的痛点与“捷径”效应

要理解这项新研究的价值，首先需要梳理当前少步数（few-step）自回归视频扩散模型的工作原理。传统模型在生成当前帧时，通常高度依赖前面已经完全去噪的“干净帧”作为上下文参考。然而，研究团队在实验中发现，这种看似合理的机制实际上存在一个致命弱点——过度依赖导致的“细节泄漏”。

当模型直接获取了前一帧完美的局部细节时，它会倾向于在生成过程中走“捷径”，即简单地复制和微调相邻像素，而忽略了去学习更宏观的时空语义和复杂的物理动态。这就解释了为什么很多 AI 生成的视频单帧截图极其精美，但一旦连贯播放，就会出现动作僵硬、物体变形或时间一致性崩塌的现象。研究人员曾尝试引入相同噪声水平的上下文来强迫模型学习，但发现这种方法提供的引导信号过于薄弱，无法从根本上解决时间一致性差的问题。

In-Context Forcing：创新性的渐进式自回归范式

为了彻底打破这一僵局，受到“扩散即掩码（diffusion as masking）”理论的启发，研究团队提出了名为 In-Context Forcing 的渐进式自回归范式。该方法的核心思想是：不再向模型喂养完全干净的帧，而是利用具有“递减噪声水平”的上下文进行引导。

具体操作上，In-Context Forcing 对不同时间距离的参考帧施加了不同程度的干扰：对于距离当前生成帧较远的历史帧，系统施加较少的掩码（保留更多宏观结构信息）；而对于紧邻当前帧的画面，则施加更多的掩码（引入更高强度的噪声）。这种精妙的自适应引导机制，相当于强迫模型放弃简单复制相邻帧的“偷懒”行为，转而深入理解并推理帧与帧之间的真实时空动态。事实证明，这种方法在保证鲁棒的时间一致性和高强度的帧间动态变化方面效果显著。

并行去噪的实现与行业应用影响

除了在生成质量上的飞跃，In-Context Forcing 给 AI 视频生成行业带来的另一大影响在于其对推理效率的重塑。在传统的自回归模型中，生成过程是严格串行的，必须等待上一帧完全生成完毕才能开始下一帧，这成为了制约长视频生成速度的核心瓶颈。

而新范式成功解耦了模型对“先前干净帧”的严格依赖，使得“跨帧并行去噪”成为可能。这意味着算法可以同时处理和渲染视频的多个片段。在 VBench 视频生成基准测试中，广泛的实验数据表明，In-Context Forcing 能够在不牺牲任何视觉保真度的情况下，实现大幅度的推理加速。其综合表现显著超越了现有的先进（SOTA）方法，这为未来短视频自动生成引擎、影视特效实时预览以及高帧率游戏内容生成提供了强大的技术支撑。

潜在风险限制与结论展望

尽管 In-Context Forcing 展现出了卓越的性能，但在将其推向大规模商业化应用前，仍有一些潜在的局限性需要克服。首先，跨帧并行去噪虽然在算法层面提高了效率，但对底层硬件（如 GPU）的显存容量和并行吞吐量提出了更严苛的要求，在计算资源受限的边缘设备上可能难以发挥全部优势。其次，针对不同分辨率、不同运动剧烈程度的视频题材，如何动态调整“递减噪声水平”的调度策略，仍需要进一步的参数微调和工程优化。

总体而言，这项研究为自回归视频扩散模型的设计打开了全新的思路。通过巧妙的上下文强制干扰，不仅治愈了 AI 模型生成视频时的“惰性”，还换来了画面质量与生成速度的双丰收。期待在不久的将来，这种创新的底层架构能被整合进更多主流的开源框架与商业工具中，为 AI 视频创作生态注入新的活力。更多前沿人工智能技术解析，敬请持续关注 aigc.bar 的后续报道。