Ring Forcing：面向自回归视频扩散的精确长期记忆框架

将视频生成扩展到长时间跨度时，暴露了一个关键瓶颈：当前模型缺乏稳健的长期记忆能力。这一缺陷可从两个关键方面进行研究：物体恒存性，即在物体重新出现时精确再现其外观的能力；以及记忆容量，即处理超长上下文并利用遥远历史信息的能力。稳健的长期记忆需要两者兼备：缺乏充分上下文处理的物体恒存性会限制时间范围，而缺乏恒存性的长上下文则无法维持身份一致性。为解决这一问题，我们提出了Ring Forcing，一个自回归视频扩散框架，旨在稳健地构建并精确利用长期记忆。我们的环形结构训练策略强制从遥远历史中检索信息，有效调和了严格历史遵循与生成多样性之间的权衡。为扩展记忆容量，我们引入了压缩与时间步组合策略。在固定序列长度约束下，该方法将有效历史跨度延伸至分钟级时长，并实现对全部历史的全面感受野。此外，我们提出了一种稀疏RoPE机制，以实现灵活、可扩展的记忆适应，同时充分利用预训练先验。大量实验表明，Ring Forcing在分钟级连贯性和物体恒存性方面表现卓越，显著优于现有最先进方法。