递归/循环视频预测：状态更新、随机未来与闭环证据

本章资料与会场状态核验截至 2026-08-30。这里的 recurrent 首先指跨时间单元反复更新状态或反馈输出；它可以与自回归概率分解、diffusion/flow 条件头、因果访问和流式部署组合，但这些概念不是同义词。

检索式、筛选/排除、OpenAlex 去重、官方 artifact 与证据等级见配套研究记录。

📋 1. 先分清四个问题

给定已观测历史 \(x_{1:C}\)、条件 \(c\) 与可选动作 \(a_t\)，典型递归预测器写成

\[
h_t=U_\theta(h_{t-1},\phi(x_t),a_t,c),
\qquad
\hat y_{t+1}\sim G_\theta(\cdot\mid h_t,a_t,c).
\]

\(h_t\) 可以是 LSTM feature map、Transformer KV、deterministic–stochastic state，或压缩后的帧集合；\(y_{t+1}\) 可以是一帧、一个 latent block 或一个视频 chunk。公式描述的是状态怎样推进，不自动说明联合分布、未来可见性或运行速度。

问题	最小判据	常见实现	不能由它推出
递归状态更新	同一更新器反复把旧状态与新输入变成新状态	ConvLSTM、RSSM、rolling KV、压缩历史	不必显式给出概率分解，也不保证因果正确
自回归概率分解	$p(y_{1:K}\mid c)=\prod_k p(y_k\mid y_{\lt k},c)$	token、frame、set 或 chunk AR	不要求 RNN；当前单元内部仍可双向联合去噪
因果访问	提交第 \(k\) 个单元前不读取未来的干净单元	causal mask、只保留已提交 KV	只是信息约束，不等于因果推断、可干预动力学或流式服务
流式与 deadline	全片结束前持续发出结果；每个 deadline 前完成生成、解码与传输	rolling window、KV cache、异步 VAE	平均 FPS、论文中的 causal 或“无限长”都不能单独证明

还要明确两个不同的时间刻度：外层的 commit 决定何时把一帧或一块变成不可回看的历史；内层的 diffusion/flow solver step 只是在求一个条件样本。做了 20 次去噪，不等于时间向前递归了 20 帧。严格 token/frame/chunk AR 的进一步分类见自回归生成，系统期限和缓存账本见因果流式生成。

图注： 递归位于生成器的 factorization / state-update 层，不是一种 loss；判别器、蒸馏、解码与部署期限可以独立叠加。图的设计与来源核验见系统图研究记录。

图的顺序化文字替代： 数据流先经权利治理、清洗与 caption，编码为连续 causal-VAE latent 或离散视觉 token；共享生成骨干选择全序列双向去噪，或以状态和已提交上下文滚动生成下一帧/块；后训练可加入偏好/奖励、self/causal forcing、teacher–student 蒸馏与对抗分布匹配；生成结果再经 decoder、超分/插帧和可选音频同步，最后按离线 API 或因果流式方式部署，并报告首帧、FPS/deadline、内存、能耗和安全评测。GAN 作为完整生成器、codec 中的对抗重建损失、以及加速 diffusion/flow student 的对抗蒸馏，是三种不可折叠的角色。

🧭 2. 一套 rollout 外壳，多种预测机制

图的顺序化文字替代：

1. 已观测帧或 latent、动作和旧状态共同进入状态更新器。
2. 新状态可连接直接像素/运动变换、随机 latent、normalizing flow 或 diffusion 条件头。
3. 条件头生成一个明确的提交单元：一帧、一个 latent block 或一个视频 chunk。
4. open-loop 预测把已提交结果反馈为下一步历史；交互式系统还可在环境执行后读入真实新观测，重新锚定状态。

因此“递归 VAE”“递归 GAN”“逐帧 diffusion”并不矛盾：递归规定外层状态和反馈，VAE/GAN/flow/diffusion 规定每步怎样表示或学习条件分布。以下路线按这个机制层组织，而不是把论文名称排成互斥家族。

🖼️ 3. 确定性像素与运动变换：先解决下一帧是什么

3.1 直接像素回归

最直接的模型令解码器从状态输出下一帧，使用 \(L_1\)、\(L_2\) 或感知/对抗损失。若把 \(L_2\) 理解为固定方差高斯负对数似然，最优点预测趋向条件均值；当“物体向左”和“物体向右”都合理时，均值可能把两个互斥未来叠成模糊结果 [1]。准确边界是：多峰未来 + 单一点估计 + 像素损失容易平均化，不是“用了 MSE 就必然模糊”。

这一路线适合作为短时基线，因为误差位置明确、训练简单；但像素重建分数并不告诉我们模型是否覆盖多种未来，也不能证明长期状态或动作效应正确。

3.2 DNA、CDNA 与 STP：预测怎样搬运像素

Finn、Goodfellow 与 Levine 不要求网络重绘整帧，而让 action-conditioned recurrent network 预测局部动态卷积核、多个共享卷积核或 spatial transformer 参数，再用 mask 合成变换后的历史像素 [2]。概念上可写成

\[
\hat x_{t+1}
=
\sum_{m=1}^{M} M_t^{(m)}\odot
\mathcal T_{\theta_t^{(m)}}(x_t),
\qquad
\sum_m M_t^{(m)}=1.
\]

• DNA 为不同输出位置预测局部像素搬运核；
• CDNA 预测若干共享动态核，再由 mask 选择；
• STP 预测参数化空间变换。

它们把“短期可见运动”作为强归纳偏置，复制纹理通常比重新合成锐利；遮挡后新显露区域、非刚体外观变化和长期离开视野的对象仍需要生成或记忆。论文使用机器人动作条件数据，证明动作能改善该设置中的预测与规划，不等于仅凭视频相关性恢复了真实物理因果结构。

🧠 4. 空间递归状态：ConvLSTM、PredNet 与 PredRNN

4.1 ConvLSTM：把门控状态留在二维网格上

ConvLSTM 将 LSTM 的 input-to-state 与 state-to-state 映射换成卷积，使 cell/hidden state 保留空间布局；最初在雷达回波临近预报上验证 [3]。它确立了一个可复用单元：空间 encoder、门控时间状态、空间 decoder。它解决的是状态结构，不是多峰未来、自由 rollout 训练或长期记忆的全部问题。

4.2 PredNet：递归传递预测误差

PredNet 将每层拆成表征、预测与误差单元：低层预测当前输入，正负误差向上传递，高层表征再沿时间递归 [4]。其贡献是把 predictive-coding hierarchy 具体化，而不是引入一个显式随机未来分布。评测时应区分“下一帧误差更小”与“表征迁移到识别任务更好”这两个证据命题。

4.3 PredRNN：时间记忆之外再开一条时空通路

PredRNN 的 Spatiotemporal LSTM 同时维护沿时间传播的 cell state 与跨层、跨时间 zigzag 流动的 spatiotemporal memory [5]。它试图缓解深层 recurrent stack 中空间细节与长期动态难以同时传递的问题。更复杂的 memory routing 可以提高固定 benchmark 的 rollout，却仍必须用自由运行曲线验证；不能从单步 teacher-forced 指标推断长期稳定。

这三类网络的共同贡献是把 \(U_\theta\) 做得更适合空间序列。它们与输出头是正交的：ConvLSTM 可以连接确定性 warp、VAE latent、GAN 判别器或 diffusion head。

🎲 5. 随机未来：SV2P、SVG-LP、SAVP 与 VideoFlow

观测历史通常不能唯一决定未来。随机递归模型在第 \(t\) 步引入潜变量：

\[
z_t\sim p_\theta(z_t\mid x_{
训练后验 \(q_\phi(z_t\mid x_{\le t})\) 可以看见待解释的真实未来；部署时只能从历史先验 \(p_\theta\) 采样。把训练后验样本误当成测试能力，会泄漏未来信息。随机未来 latent、learned prior 与 ELBO 的完整推导见变分生成；仅负责压缩/重建接口的 latent、离散 token 与 codec 边界见视频 Tokenizer 与生成式压缩。



路线
随机性放在哪里
主要改进
必须保留的证据边界




SV2P [8]
sequence-level 或随时间变化的变分 latent
在 action-conditioned 与 action-free 条件预测中采样多种未来
测试时必须用只看历史的 prior；单个最好样本不是分布质量


SVG-LP [9]
每步 learned prior 与可看真实帧的 posterior
让先验随历史变化，而非固定标准高斯
learned prior 不保证 decoder 真使用 \(z_t\)


SAVP [10]
局部 posterior + ConvLSTM 生成器
结合 VAE 的覆盖目标与 GAN 的锐利/真实感目标
截至冻结日仅按 arXiv 技术报告引用；VAE 与 GAN 优势仍需拆项验证


VideoFlow [11]
可逆 conditional flow 的多帧 latent dynamics
用 change of variables 直接计算条件 likelihood 并采样
“exact likelihood”只相对所选表示与可逆模型成立，不等于语义或物理正确



SV2P 与 SVG-LP 的关键不是“加一点噪声”，而是让未来不可约的不确定性拥有可训练的 prior/posterior 接口。SAVP 再叠加 adversarial objective，常能提高感知锐度；它没有让 best-of-\(N\) 结果变成公平的典型样本。VideoFlow 则用可逆变换避免 VAE 的近似 likelihood，但受可逆结构与表示选择约束。
2019 之后，direct 变分随机未来支线继续沿 deep latent hierarchy、fully latent residual dynamics、slow/event clocks 与 object/module state 演化。categorical RSSM 是共享变分数学、但按 action/reward/return 验收的相邻控制支线；2026 的对象粒子 + latent action 接口是二者的桥接点。这里保留 recurrent factorization 的职责，完整路线、正式状态和 proper-score 验收统一放在变分随机视频生成。
5.1 Posterior collapse 不是看一眼 KL 就能结案
当强递归 decoder 无视 \(z_t\) 也能预测训练数据时，可能出现
\[
q_\phi(z_t\mid x_{\le t})\approx p_\theta(z_t\mid x_{
这就是视频随机预测中的 latent under-use / posterior collapse 风险 [23]。最低限度应同时报告：逐时间步 KL 与 active units；固定历史时重采样 \(z\) 的输出变化；prior 与 posterior rollout 的差距；屏蔽或置换 \(z\) 后的退化；必要时估计条件互信息。KL 非零也可能只编码无关细节，视觉多样性也可能只是闪烁，因此 latent intervention 必须与语义事件和时间一致性一起看。
🪐 6. 潜在状态空间：预测是为了决策，不只是还原像素
状态空间路线把确定性记忆与随机状态分开。例如 PlaNet 的 recurrent state-space model 可抽象为
\[
h_t=f_\theta(h_{t-1},z_{t-1},a_{t-1}),
\qquad
z_t\sim p_\theta(z_t\mid h_t),
\qquad
x_t\sim p_\theta(x_t\mid h_t,z_t).
\]
训练时 posterior 用新观测修正 \(z_t\)；规划时从当前 belief 对候选动作序列 rollout，并只执行第一步，再读取真实观测 [12]。这种模型的“好”首先是状态是否足以支持 reward/terminal prediction 与控制，而不是每个像素是否最锐利。
需要区分三种条件：被动视频只观察相关性；动作条件数据记录 \(a_t\)；真正的 intervention evidence 还要求从相同或可匹配初始状态主动改变动作。一个 state-space model 即使闭环任务成功，也只在测试环境、动作分布和规划器范围内得到支持。
🌫️ 7. Diffusion 成为逐帧/滚动条件头
7.1 MCVD：blockwise 条件 diffusion，不是 ConvLSTM 的同义替代
MCVD 用统一的 masked conditional diffusion 处理预测、生成与插帧；论文主干是 non-recurrent 2D convolutional architecture，以历史/未来 mask 控制条件，并可把生成 block 再作为条件继续 rollout [13]。因此它的准确分类是：外层 block-autoregressive rollout + 内层 diffusion sampling。官方代码提供 one-frame-at-a-time 选项，不应倒推成论文主方法只有逐帧 RNN。
7.2 Diffusion Forcing：每个时间位置可以有不同噪声
Diffusion Forcing 为序列中各 token 独立采样噪声等级，把 next-token prediction 与 full-sequence diffusion 放进同一训练框架 [14]：
\[
\tilde z_i=\alpha(\tau_i)z_i+\sigma(\tau_i)\epsilon_i,
\qquad
\tau_i\ \text{可随位置独立变化}.
\]
选择“历史近乎干净、近未来逐渐变干净、远未来较噪”的 schedule，可以实现 rolling generation；但 Diffusion Forcing 首先是噪声与条件训练框架。它不自动意味着：训练历史来自模型自身、每个单元只需少量 NFE、使用 causal attention、持续满足播放 deadline，或无限 rollout 不漂移。
7.3 现代 next-frame 与 rolling 系统：先写清携带状态和提交单元



系统
跨步携带什么
提交单元与内部机制
能确认的边界




FramePack [18]
按重要性压缩到固定长度的历史帧上下文
next-frame/section diffusion；每次提交前重新打包历史
vanilla 路径可因果；使用末端锚点/反向顺序的 anti-drift 变体不是严格在线因果。固定上下文只界定每步工作量，总代价仍随输出长度增长


SkyReels-V2 [19]
前一 segment 的末帧/末段条件
segment 扩展；per-token Diffusion Forcing 与非递减噪声
“infinite-length”是系统/作者命名；论文结论也承认误差累积限制实际高质量时长，因此应另报最长测量时长、segment 接缝和无重置 drift 曲线


MAGI-1 [20]
已提交 chunk 的 block-causal KV/上下文
24 帧 chunk；块内整体去噪，块间 AR
chunk causal 不等于 frame recurrent；“world model”自称不替代 action intervention 或 closed-loop planning 证据


LongLive [21]
短窗口 KV、frame sink；prompt 改变时 KV re-cache
frame-level causal AR diffusion
ICLR 2026 论文设置报告单张 H100 20.7 FPS、最长 240 秒；这些是特定模型、精度、解码与硬件结果，不是一般实时保证



FramePack、SkyReels-V2 和 MAGI-1 说明“现代递归”常由重选历史、缓存或 segment/chunk feedback实现，而非一个显式 LSTM cell。它们也说明为什么长视频演示不能代替 open-loop 证据：可能有首尾锚点、重叠帧、重编码、prompt 重复或隐藏重置。必须公开这些操作，才知道模型在何处真正承受自身误差。
🎓 8. 五种 forcing 改的是不同层



名称
训练时后续单元看到的历史
主要改变
没有解决什么




Teacher forcing
完整 ground-truth 前缀
避免训练时反馈早期采样误差，使每步监督更稳定
推理时变成自生成历史，留下 exposure gap；RNN 计算本身也不因此变成并行


Scheduled sampling [6]
按 curriculum 随机混合 ground truth 与模型输出
逐渐增加错误历史暴露
不是严格 on-policy rollout；其目标可不对应一致的 sequence likelihood [7]


Complete teacher forcing（CTF） [15]
完整、未 mask 的 ground-truth 历史帧；当前帧仍被 mask/预测
MAGI 中修正 masked teacher forcing 人为丢失历史信息
历史仍来自数据，因此没有消除真实历史与自生成历史差距


Self Forcing [16]
模型在训练 rollout 中实际生成并提交的历史
直接训练在 test-like history；结合 rolling KV、few-step 与梯度截断
few-step、DMD 与 history source 是独立变化；不保证无限长无漂移或全模式覆盖


Causal Forcing [17]
先构造 AR teacher 做 ODE 初始化，随后沿用 self-forcing 式 DMD
修复 bidirectional teacher → AR student 的架构/flow-map 不匹配
不是 scheduled sampling 的新名字，也不是通用 causal mask、物理因果学习或长期 memory 方法



标准 teacher forcing 的训练目标位于真实前缀，部署分布却由模型自己递归产生。Scheduled sampling 是随机混合前缀的课程策略；Huszár 指出它可能对应不一致的统计目标，因此应视为工程折中而非 maximum-likelihood 的无偏修复 [7]。CTF 中的“complete”指 ground-truth 历史不再被 mask，不是“完整模拟推理”。
Self Forcing 则真正把生成结果提交为下一步训练历史，但论文同时改变少步采样、DMD 与梯度传播，消融时要分栏。Causal Forcing 的专名更窄：用 autoregressive teacher 满足 frame-level flow-map 初始化所需的结构条件，再做 DMD；其 causal 指生成架构，不是 Pearl 式干预因果。更完整的训练—推理时序和蒸馏细节分别见自回归生成与因果流式生成。
📉 9. Open-loop 漂移：把误差来源拆开再测
自由 rollout 的误差不只有 exposure bias。至少要分解：

codec/decoder 误差：即使 latent 正确，反复编解码也可能丢小物体或累积色偏；
状态压缩误差：有限 hidden state、窗口、sink 或 context packing 忘记旧事件；
history-distribution gap：模型从未在训练中见过自身特定错误；
随机过程误差：独立 latent/noise 造成闪烁，或分布逐步失校准；
commit 边界误差：frame/chunk 接缝、overlap blending 或缓存更新产生跳变；
条件变化误差：新动作/prompt 与旧 KV 不一致，响应延迟或覆盖旧语义。

一个可复核的最小协议如下。



步骤
固定或报告什么
输出什么证据




定义 rollout
observation 长度、commit 粒度、总时长、是否 overlap/re-anchor/reset、memory policy
完整生成路径，而非只写“long video”


建立三条对照
codec-only 重建；每步喂真值的 teacher-forced；完全自反馈的 open-loop
把表示损失、一步建模误差与反馈放大分开


按 horizon 作图
同一数据切分与预处理，在 \(1,2,4,8,\ldots\) commits 评测
均值、置信区间/分位数、首次预定义失败时间；不只给终点平均


检查边界与状态
chunk seam、身份/物体存在、几何、运动、prompt/action 响应；消融 window/sink/packing
定位漂移发生在提交、记忆还是条件层


随机重复
公开 seed，固定每条件样本数 \(N\)，同一采样预算
典型样本分布与最坏尾部，不以人工挑选视频代替


冻结系统设置
分辨率、FPS、VAE、NFE、guidance、精度、硬件、batch、解码/传输
质量曲线与端到端 deadline 曲线可对应



“能生成 240 秒”只说明某个样例或设置完成了 240 秒；“在 240 秒内错误曲线仍受控”才是长期稳定证据。对于开放时长主张，应报告到测试上限的 survival curve，并明确上限之外是未测量，不把未观察到终止写成数学上的无限。
⚖️ 10. 多样性—准确性与 latent usage 的联合协议
随机未来没有单一“准确答案”。只报 PSNR/SSIM 会奖励接近条件均值的保守预测；只报 FVD 或挑最好样本会隐藏条件错误与低概率失败。建议固定每个历史的采样数 \(N\)，同时报告：

单样本 fidelity：每个样本与真实未来的感知/结构/任务误差分布；
diversity：同一历史不同样本间的 feature/trajectory 距离，并排除纯像素闪烁；
coverage：对有多条标注未来、可控模拟器或离散事件标签的数据，检查模式召回；
calibration：模型给高概率的事件是否更常发生，区分 aleatoric 与模型未知；
average-of-\(N\) 与 best-of-\(N\)：前者是典型采样，后者只作为搜索上限且必须注明 \(N\)；
latent intervention：固定历史、动作与外部 noise，只重采样/置换特定 \(z_t\)，检查事件变化是否稳定、可解释且随时间一致。

所有模型必须用相同 \(N\)、相同条件与相同筛选规则。若 GAN 路线只展示人工选择样本、VAE 路线只报 best-of-100、flow 路线只报 likelihood，三者没有进入同一个比较问题。
🎮 11. 动作干预与 closed-loop planning：从“会续写”到“可用模型”

图的顺序化文字替代：

从相同初始状态复制试验，只改变动作，并固定其他条件与随机种子。
预测器分别 rollout 动作、反向动作和 no-op；评测器与真实执行或保真模拟器结果比较动作效应的方向、时序和幅度。
规划器在预测模型中比较候选动作序列，但每轮只向环境执行第一步。
环境返回真实新观测，预测器更新 belief，再规划下一步。
全程记录任务成功、碰撞/约束违反、模型不确定性、规划器利用模型漏洞的失败，以及端到端决策 deadline。

动作证据至少包含 paired intervention、held-out action sequence、no-op/反向动作和作用时延。只比较两个不同自然视频无法隔离动作；只证明像素随控制量变化也无法证明变化方向正确。Finn 等人的 action-conditioned prediction [2]、Ebert 等人的 visual MPC [22]与 PlaNet 的 latent planning [12]提供了从预测到决策的三种早期证据，但结论都绑定各自机器人/模拟任务。
Closed-loop 应与 open-loop action script、model-free/无模型 baseline、oracle dynamics（若有）和不使用不确定性的 planner 对照。尤其要记录 model exploitation：规划器可能找到在模型里高回报、真实环境中失败的动作序列。闭环新观测能纠错，也可能掩盖模型长期 rollout 很差，因此 open-loop 动力学曲线与 closed-loop 任务成功率必须同时报告。
🗓️ 12. 机制里程碑：判据与仍未解决的问题
这里把“里程碑”定义为改变了可复用的机制或证据接口，不按榜单分数排序。



时间与工作
机制里程碑判据
当时及此后仍未解决




2015 ConvLSTM [3]
递归门控状态从向量变成空间 feature map
多峰未来、自由 rollout 与长时记忆


2016 DNA/CDNA/STP [2]
显式预测像素搬运并接入动作条件
遮挡、新生内容、离视野对象与干预泛化


2017 PredNet / PredRNN [4] [5]
分别重构误差层级与时空 memory routing
更好单步/固定 benchmark 是否转化为长期稳定


2018 SV2P / SVG-LP / SAVP [8] [9] [10]
从单一未来转向可采样 conditional future distribution
posterior collapse、校准与公平的 diversity–accuracy 评测


2019 PlaNet [12]
deterministic–stochastic latent state 进入 online planning
模型漏洞、OOD 动作与真实世界闭环安全


2020 VideoFlow [11]
多帧条件 flow 提供可计算 likelihood
可逆结构成本与 likelihood—语义质量错位


2022 MCVD [13]
同一 masked diffusion 统一预测、生成和插帧，可按块续写
每块 NFE、反馈漂移和长期 memory


2024 Diffusion Forcing [14]
独立 per-token noise 连接 sequence prediction 与 diffusion
on-policy history、少步、cache 和 deadline 仍是独立问题


2025 CTF / Self Forcing [15] [16]
分别澄清完整真值历史与自生成历史训练
CTF 仍 off-policy；self rollout 的模式覆盖、成本与超长外推


2025 FramePack / SkyReels-V2 / MAGI-1 [18] [19] [20]
以 context packing、segment feedback 或 chunk AR 扩展现代 diffusion
锚定/重叠是否破坏在线因果，测量 horizon 是否支持长时主张


2026 Causal Forcing / LongLive [17] [21]
分别修复 AR 蒸馏初始化结构、把 bounded KV 与 train-long-test-long 接入实时系统
通用硬件 deadline、长期语义/物理漂移和真正 action-closed-loop 证据



这条路线没有从 RNN “替换”为 diffusion；更准确的演进是：状态结构、条件分布、训练历史来源、commit 粒度、记忆策略和 serving deadline 逐层叠加。新论文只有明确改变其中一层并用相应协议验收，才应被称为该层的里程碑。
✅ 13. 最小复现与报告清单

状态：\(h_t\) 是显式 recurrent tensor、stochastic state、KV、窗口还是重新打包的帧？何时更新和清空？
提交：frame、latent block 或 chunk 多大？块内是否双向？overlap、重绘和锚点是否访问未来？
分布：直接像素、transform、VAE latent、flow 或 diffusion head？测试随机变量来自 prior 还是 posterior？
历史来源：TF、scheduled sampling、CTF 还是完整 self rollout？不要只写 forcing。
open-loop：报告无重置 horizon curve、首次失败分布、chunk seam 与 memory ablation。
随机性：固定 \(N\) 与 seed 协议，average-of-\(N\) 和 best-of-\(N\) 分栏，做 latent/noise intervention。
动作与规划：paired action intervention、held-out sequence、真实/保真模拟闭环和 model-exploitation 检查。
系统：分辨率、FPS、NFE、guidance、VAE、精度、硬件、batch、首帧、p50/p95 延迟、deadline miss 和内存随时长曲线。
主张：causal、streaming、real-time、interactive、world model、open-ended/infinite 分别给证据；未测量区间明确写未测。

🔍 14. 常见误读

“递归 = RNN。” Transformer KV、context packing 与 segment feedback 也可实现递归 rollout。
“AR = 逐帧。” 提交单元可为 token、set、frame 或 chunk；块内可联合去噪。
“causal = 懂因果。” causal mask 只限制未来访问，动作正确性要靠 intervention。
“Diffusion Forcing = Self Forcing。” 前者改变 per-token noise/条件任务，后者改变训练历史来源并结合蒸馏。
“CTF 已解决 exposure bias。” CTF 仍使用完整真值历史，只修正 masked history 缺失。
“exact likelihood = 最好视频。” VideoFlow 的 likelihood 可计算，但感知、语义与物理质量是不同维度。
“固定 context = 总成本常数。” 它可使每次 commit 的工作量有界；生成更多 commits 的总时间仍增加。
“能继续生成 = 长期稳定。” 必须看无重置 horizon curve、失败尾部和真实测量上限。

🔗 15. 参考文献
[1] Deep Multi-Scale Video Prediction beyond Mean Square Error. Michael Mathieu, Camille Couprie, Yann LeCun. ICLR. 2016.
[2] Unsupervised Learning for Physical Interaction through Video Prediction. Chelsea Finn, Ian Goodfellow, Sergey Levine. NeurIPS. 2016.
[3] Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting. Xingjian Shi, Zhourong Chen, Hao Wang, Dit-Yan Yeung, Wai-kin Wong, Wang-chun Woo. NeurIPS. 2015.
[4] Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning. William Lotter, Gabriel Kreiman, David Cox. ICLR. 2017.
[5] PredRNN: Recurrent Neural Networks for Predictive Learning using Spatiotemporal LSTMs. Yunbo Wang, Mingsheng Long, Jianmin Wang, Zhifeng Gao, Philip S. Yu. NeurIPS. 2017.
[6] Scheduled Sampling for Sequence Prediction with Recurrent Neural Networks. Samy Bengio, Oriol Vinyals, Navdeep Jaitly, Noam Shazeer. NeurIPS. 2015.
[7] How (not) to Train your Generative Model: Scheduled Sampling, Likelihood, Adversary?. Ferenc Huszár. arXiv preprint. 2015.
[8] Stochastic Variational Video Prediction. Mohammad Babaeizadeh, Chelsea Finn, Dumitru Erhan, Roy H. Campbell, Sergey Levine. ICLR. 2018.
[9] Stochastic Video Generation with a Learned Prior. Emily Denton, Rob Fergus. ICML. 2018.
[10] Stochastic Adversarial Video Prediction. Alex X. Lee, Richard Zhang, Frederik Ebert, Pieter Abbeel, Chelsea Finn, Sergey Levine. arXiv preprint. 2018.
[11] VideoFlow: A Conditional Flow-Based Model for Stochastic Video Generation. Manoj Kumar, Mohammad Babaeizadeh, Dumitru Erhan, Chelsea Finn, Sergey Levine, Laurent Dinh, Diederik P. Kingma. ICLR. 2020.
[12] Learning Latent Dynamics for Planning from Pixels. Danijar Hafner, Timothy Lillicrap, Ian Fischer, Ruben Villegas, David Ha, Honglak Lee, James Davidson. ICML. 2019.
[13] MCVD: Masked Conditional Video Diffusion for Prediction, Generation, and Interpolation. Vikram Voleti, Alexia Jolicoeur-Martineau, Christopher Pal. NeurIPS. 2022.
[14] Diffusion Forcing: Next-Token Prediction Meets Full-Sequence Diffusion. Boyuan Chen, Diego Martí Monsó, Yilun Du, Max Simchowitz, Russ Tedrake, Vincent Sitzmann. NeurIPS. 2024.
[15] Taming Teacher Forcing for Masked Autoregressive Video Generation. Deyu Zhou, Quan Sun, Yuang Peng, Kun Yan, Runpei Dong, Duomin Wang, Zheng Ge, Nan Duan, Xiangyu Zhang. CVPR. 2025.
[16] Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion. Xun Huang, Zhengqi Li, Guande He, Mingyuan Zhou, Eli Shechtman. NeurIPS. 2025.
[17] Causal Forcing: Autoregressive Diffusion Distillation Done Right for High-Quality Real-Time Interactive Video Generation. Hongzhou Zhu, Min Zhao, Guande He, Hang Su, Chongxuan Li, Jun Zhu. ICML. 2026. ICML 2026 official listing. Official code .
[18] Frame Context Packing and Drift Prevention in Next-Frame-Prediction Video Diffusion Models. Lvmin Zhang, Shengqu Cai, Muyang Li, Gordon Wetzstein, Maneesh Agrawala. NeurIPS. 2025.
[19] SkyReels-V2: Infinite-Length Film Generative Model. Guibin Chen et al. arXiv technical report. 2025. Official code .
[20] MAGI-1: Autoregressive Video Generation at Scale. Sand.ai et al. arXiv technical report. 2025. Official code .
[21] LongLive: Real-Time Interactive Long Video Generation. Shuai Yang, Wei Huang, Ruihang Chu, Yicheng Xiao, Yuyang Zhao, Xianbang Wang, Muyang Li, Enze Xie, Yingcong Chen, Yao Lu, Song Han, Yukang Chen. ICLR. 2026. Official code .
[22] Self-Supervised Visual Planning with Temporal Skip Connections. Frederik Ebert, Chelsea Finn, Alex X. Lee, Sergey Levine. CoRL. 2017.
[23] Lagging Inference Networks and Posterior Collapse in Variational Autoencoders. Junxian He, Daniel Spokoyny, Graham Neubig, Taylor Berg-Kirkpatrick. ICLR. 2019.