这项由中国科学时间大学与FrameX.AI联结主导、零丁辩论员参与合营的辩论，于2026年5月以预印本模式发布，论文编号为arXiv:2605.04461。有有趣深刻了解的读者可通过该编号在arXiv平台上查阅完整论文。

**一、视频生成的烦扰：为什么AI拍出来的长视频老是"翻车"？**

你有莫得用过AI生成视频的器具？短则几秒，长则十几秒，刚动手看还挺适意，但一朝时候拉长，画面就动手"漂移"——东谈主物的脸变形了，背景的面目跑偏了，蓝本通顺的动作动手抽搐，致使前后两段画面里的主角好像换了个东谈主。这种体验，就像你在看一部拍了一半就换了导演、换了照相师、还换了配景的电影，前后毫无连贯感。

这并不是个别器具的问题，而是现时AI视频生成时间面对的多数挑战。独特是在生成较长视频时，怎样让画面重新到尾保捏一致，是摆在辩论者眼前的一谈硬题。

更难办的是，想要让AI视频生成得更好，传统的想路是"堆钱堆算力"——用更大的模子、更多的考研数据、更长的考研时候。但这条路越走越贵，还是快走到天花板了。辩论者们动手滚动想路：既然考研阶段很难再大幅培植，能不成在视频生成的那一刻——也便是"推理阶段"——多下点功夫？

这个想路在大谈话模子限制还是被考据过了。比如让AI在修起问题之前多"想一想"，多商量几种可能性再给出谜底，收场时常比径直指天画地要好得多。这种作念法被称为"推理时推广"（Test-Time Scaling，简称TTS）。辩论者们自然预见：能不成把雷同的措施用到视频生成上？

但是，把TTS搬到视频生成限制并不浮浅。以往的尝试，比如一种叫作念ImagerySearch的措施，需要一次性生成整段视频再从中挑选最佳的。这就像你要作念一谈菜，岂论好不好意思味，都得重新到尾作念完整桌子才能选一个上菜——既费时又贫寒，而且一朝某个枢纽出了问题，整段视频就得全盘作废。更灾祸的是，这种方式皆备莫得想法在视频进行到一半时发现问题、实时更正。

恰是针对这些痛点，中科大与FrameX.AI的团队提倡了一套全新的框架——Stream-T1。

**二、分段拍摄：流式视频生成为何天生合适"边想边作念"？**

意会Stream-T1之前，先要搞了了"流式视频生成"（Streaming Video Generation）是什么。

平庸的AI视频生成，就像一位画家面对一张广泛的画布，要一笔一笔把整幅画画完，中间不成停、不成改、不成回头。而流式视频生成则更像是拍电视剧的方式：把整部剧切成一集一集来拍，每集拍完阐发质地过关，再接着拍下一集，前一集的场景和东谈主物设定会自然延续到下一集。

在时间层面，流式视频生成把视频切成一小段一小段（称为"chunk"，不错意会为"片断"），每次只生成一段，何况每段只需要很少的去噪智商（比如只需4步，而传统措施可能需要几十步）。这种"一段一段生成"的方式，自然地合适"边想边作念"——生成完一段，评估一下好不好，再决定下一段怎样拍。

Stream-T1便是缔造在这个基础上的。它把推理时推广的想路和流式视频生成的本性好意思满结合，形成了一套包含三个中枢思制的完整框架：噪声传播、奖励剪枝和牵记千里降。底下咱们一个一个来说了了。

**三、"遗传优良基因"：噪声传播怎样让每一段视频承袭前一段的优点？**

拍电视剧时，导演会把前一集最精彩的收场动作下一集的开首，确保故事衔尾通顺。Stream-T1的第一个机制——"流式缩放噪声传播"（Stream-Scaled Noise Propagation）作念的事情与此不谋而合。

在AI视频生成里，每一段视频都从一团"立地噪声"动手，然后通过一系列去噪智商，徐徐变成剖析的画面。这团开动噪声就像是视频的"种子"，种什么样的种子，一定进度上决定了长出什么样的画面。

传统措施每次都从皆备立地的噪声从新动手，就像每一集电视剧都临时找一批皆备生分的演员，自然很难保捏作风一致。Stream-T1的作念法是：把上一段视频里质地最佳的那批"种子噪声"传递给下一段，动作新段落开动噪声的参考依据。

具体来说，新一段的开动噪声不是纯立地的，而是通过一种叫作念"球面插值"的数学措施，在上一段的优质噪声和新的立地噪声之间找一个平衡点。公式额外优雅：新噪声等于上一段噪声乘以一个所有β，再加上一个新立地量乘以根号下(1减β?)。这个联想的精妙之处在于，岂论β取什么值，新噪声的全体统计散播永恒保捏圭臬高斯散播，不会轻佻AI模子对输入的基本条目。β越大，新段落和上一段的关连性越强；β越小，新段落就越"摆脱阐述"。

这就像是让新演员在上岗前先慎重辩论老演员的扮演摄像，既保留了我方的阐述空间，又确保了变装作风的延续性。实考据明，这种联想能有用减少相邻片断之间的"越过感"，让视频全体愈加通顺自然。

**四、"考官评卷"：怎样同期看顾咫尺的画质和全体的连贯性？**

生成了多个候选片断之后，下一步是挑出最佳的阿谁。但"好"的圭臬是什么？一段画面自己很细致，是好；但若是它跟前边的片断衔尾很突兀、动作不连贯，那算不算好？

这便是Stream-T1第二个机制——"流式缩放奖励剪枝"（Stream-Scaled Reward Pruning）需要贬责的问题。辩论团队提倡用一套双轨评分体系来评估每个候选片断。

第一条轨谈叫作念"短期评分"，挑升看现时这段视频的画面质地。评委是一个图像奖励模子，它会逐帧审查每一帧画面的好意思不雅进度，然后取平中分。这就像是让一位擅长月旦静态照相的照相师来打分，专注于每一帧是否剖析、颜色是否富足、构图是否合理。

第二条轨谈叫作念"耐久评分"，热诚的是更永劫候范畴内的连贯性。评委是一个视频奖励模子，它不单看现时片断，而是把现时片断和前边多少段（用一个滑动窗口来已毕范畴）拼在沿路，详尽评估翰墨刻画与视频内容是否吻合、画面质地怎样、动作是否通顺连贯。这就像是让一位电影裁剪师来审看，他的眼睛不单停在单帧上，而是盯着通盘这个词故事的走向和节拍。

有了两个分数之后，还需要一个和会政策把它们合并成最终评分。辩论团队联想了一个动态加权有野心：在视频生成的早期阶段，更多地倚重耐久分数，确保全体方针走对了；跟着视频缓缓生成到后期，短期分数的权重缓缓高潮，确保每一帧的画质也经得起推敲。不外这个权重的高潮有上限，一朝达到预设的阈值就不再无间增多，目的是选藏过于追求单帧好意思不雅而导致画面"故步自封"——也便是画面诚然颜面，但动作停滞不前、内容不再变化。

通过这套双轨评分和动态加权机制，Stream-T1在每一步都能选出局部画质和全体连贯性之间最平衡的候选片断，确保视频既颜面又通顺。

**五、"聪惠档案馆"：怎样让AI记着畴昔却不被畴昔灭亡？**

流式视频生成有一个与生俱来的挑战：跟着视频越来越长，AI需要记着的"历史画面"也越来越多，内存很快就会撑爆。为了贬责这个问题，辩论者们频频会缔造一个"滑动窗口"——只保留最近几段视频的牵记，更早的内容就从牵记中删除。

但这么作念有个较着的缺欠：若是把早期的缺欠画面全删掉，AI就会健忘"主角是谁"、"场景在哪"，导致背面生成的内容动手漂移。一些辩论者尝试把最动手的几帧固定保留住来动作"锚点"，但若是故事中间发生了紧要变化（比如换了场景），这个固定锚点就会形成繁芜。还有东谈主尝试用数学措施把通盘历史牵记"压缩和会"成一个简化版块，但这么作念在场景切换时会把不同场景的特征混在沿路，产生奇怪的"幻影"收场。

Stream-T1的第三个机制——"流式缩放牵记千里降"（Stream-Scaled Memory Sinking）用了一套更理智的有野心：把柄情况决定如那儿理被挤出窗口的旧牵记，而不是一刀切地删除或压缩。

具体来说，每当一段旧视频要被从牵记窗口挤出时，系统会先作念两个判断。第一个判断叫"质地门控"：这段旧视频自己的画质够不够好？若是连我方都是个劣质片断，那就径直丢弃，不值得保留——这么不错选藏灾祸的历史信息浑浊畴昔的生成。

通过了质地门控之后，系统还会作念第二个判断叫"场景切换检测"：这段旧视频和它前一段比拟，全体连贯性评分是否发生了较着下落？若是莫得较着下落，评释现时视频仍在兼并场景内闲隙鼓励，这段旧牵记和现存牵记高度肖似，不错通过"指数移动平均"（EMA）的方式把它和会进最新的牵记快照里——就像是把几张相似的像片叠在沿路取平均，保留共同特征而去掉冗余细节。

但若是连贯性评分发生了大幅下落，评释场景可能发生了切换或者动作发生了剧烈变化，这时候若是还用叠平均的方式处理，就会把新旧场景的特征混在沿路产生繁芜。这种情况下，系统会把这段旧牵记动作一个零丁的"锚点"径直追加到牵记库里，单独保存，确保它的特征不被浑浊。

通过这三种旅途——丢弃、和会更新、零丁追加——Stream-T1的牵记经管系统就像一个理智的档案经管员：垃圾不存，重复的内容精简存档，遑急的转换点单独建档保存。这么既不会让内存爆炸，也能确保AI在生成后续内容时随时不错翻阅到最缺欠的历史贵府。

**六、履行数据：Stream-T1到底强在哪？**

辩论团队在两个不同长度的视频生成任务上考据了Stream-T1的收场，永诀是5秒短视频和30秒长视频。对比对象包括CausVid、Self-Forcing和LongLive三种现时较为先进的开源措施。

在5秒视频的测试中，Stream-T1在主体一致性、背景一致性、动作通顺性、好意思不雅度、动作质地和翰墨对皆度六项野心上均名循序一，仅在成像质地和视觉质地两项上位居第二。比拟基准模子LongLive，Stream-T1的动作质地培植约79.71%，翰墨对皆度培植约9.39%，视觉质地培植约49.47%，这些都厉害常显贵的改善。

在更具挑战性的30秒长视频测试中，Stream-T1的上风愈加杰出，险些在所霸术上都拿下了第别称，包括主体一致性、背景一致性、动作通顺性、成像质地、好意思不雅度、视觉质地和翰墨对皆度。其中动作质地这一项比拟LongLive培植幅度极为惊东谈主，达到了11400%——这不是笔误，背后的原因是LongLive在长视频生成中动作质地险些接近零，而Stream-T1偶然褂讪保管合理的动作弘扬。

辩论团队还挑升把Stream-T1和其他推理时推广措施作念了对比，包括"最优N选一"（Best-of-N，即生成N个视频从中挑最佳阿谁）和圭臬束搜索（Beam Search，即同期悭吝多条候选旅途徐徐筛选）。收场表示，这两种措施诚然也能带来一些改善，但都不如Stream-T1全面。背后的逻辑在于：前两种措施都是"被迫礼聘"——只可从还是生成好的视频里挑，而Stream-T1是"主动搅扰"——在生成经由中就通过噪声传播和牵记经管积极带领方针，从根源上提高了生成质地的上限。

为了考据三个中枢组件各自的孝顺，辩论团队还作念了消融履行，永诀测试去掉其中某一个组件时的收场。去掉牵记千里降后，视频的主体一致性和背景一致性较着下落，诚然单帧成像质地小有培植，但全体连贯性严重受损。去掉噪声传播后，各项野心多数下滑，评释它关于系统全体褂讪性的孝顺是全面性的。去掉奖励剪枝后，成像质地略有培植但其余所霸术都大幅下落，揭示出若是莫得长短期联结评分的指引，系统会堕入"只追求单帧好意思不雅而烽火全体连贯性"的逆境。三个组件不可偏废，共同组成了Stream-T1的完整才调。

**七、这对咱们意味着什么？**

说到底，Stream-T1贬责的是一个很本体的问题：怎样让AI生成的长视频变得更靠谱，同期不要花太多钱。

以往想要让AI视频生成更好，要么花大钱考研更大的模子，要么汲取勉强的质地。Stream-T1提供了第三条路：在生成经由顶用更理智的政策来带领AI，无需改变模子自己，就能显贵培植视频质地，尤其是在长达30秒这么对AI来说颇具挑战性的长度上。

从更永久的视角来看，这套框架的想路——把推理时推广与流式生成的分段本性结合起来，同期通过噪声传播、质地评估和动态牵记经管三管皆下——为后续的辩论提供了一个值得参考的范本。畴昔跟着流式视频生成模子越来越普及，类似的推理时优化政策很可能成为标配。

自然，当今Stream-T1还缔造在特定的基础模子（LongLive，基于Wan2.1-T2V-1.3B）之上，能否无缝迁徙到其他架构的生成模子上，还需要进一步考据。另外，更长的视频（比如几分钟致使更长）在牵记经管上头对的挑战会进一步加重，这亦然畴昔值得探索的方针。

对这项辩论感有趣的读者，不错通过arXiv:2605.04461找到完整论文，团队也在stream-t1.github.io上提供了名堂页面供参考。

Q&A

Q1：Stream-T1和平庸的AI视频生成有什么区别？

A：平庸AI视频生成要么一次性生成整段视频，要么逐帧生成但短少质地评估。Stream-T1把视频切成小片断逐段生成，每段生成后都用双轨评分系统评估画质和连贯性，并通过噪声传播让每段承袭上一段的优良特征，同期动态经管历史牵记，全体上对生成经由进行主动搅扰而非被迫筛选。

Q2：Stream-T1的牵记千里降机制是怎样判断场景切换的？

A：牵记千里降通过监测"耐久视频奖励评分"的变化来判断场景切换。具体来说，系统管帐算现时片断与上一派段的耐久连贯性评分差值，若是差值特出预设阈值，则以为发生了场景切换或剧烈动作变化，此时会把被挤出窗口的旧片断动作零丁锚点追加保存，而非和会压缩，以幸免不同场景特征稠浊。

Q3：Stream-T1在30秒长视频测试中动作质地为何培植了11400%？

A：这个数字看起来夸张开云体育，但背后有合意会释。基准模子LongLive在30秒长视频生成中动作质地评分极低，接近于零，这是因为长视频生成经由中动作连贯性连忙崩溃。而Stream-T1通过噪声传播、奖励剪枝和牵记千里降三重机制保管了褂讪的动作质地，从接近零的基准大幅跃升，百分比增幅因此显得极为惊东谈主。