兼顧效率與連貫性：Flex-Forcing 打造自動回歸與雙向生成統一的影片擴散模型框架

Flex-Forcing 提出彈性分塊機制，統一影片擴散模型的自動回歸與雙向生成模式，成功在維持長效連貫性的同時顯著提升推論效率與生成品質。

Problem

現有影片生成模型受限於固定的推論範式。雙向擴散模型雖然具備優異的全局連貫性與視覺品質，但推論速度緩慢；自動回歸模型雖能實現高效的串流生成，卻常面臨長距離一致性不足及曝光偏差（exposure bias）的挑戰。

提出名為 Flex-Forcing 的統一框架，核心技術在於時間軸與去噪步驟上定義的彈性分塊機制（Flexible Chunking）。此設計允許模型在分塊間進行雙向推論以規劃全局結構，並在分塊內以自動回歸方式進行精細合成，同時支援任何順序與時間步的生成，不受嚴格的因果限制。

在多項影片生成基準測試中，Flex-Forcing 展現出比現有強大基準模型更優異的影像品質與長影片穩定性。此外，該框架能根據不同裝置的硬體預算動態調整分塊，並在提供更高品質影像的同時，實現更快的推論速度。

此研究打破了影片生成模型在推論效率與連貫性之間的權衡限制，為長影片創作與即時生成提供了一種靈活且高效的通用方案，對大規模生成式 AI 的部署與應用具有重要的指導意義。