阅读路线研究日志（2026-08-30）¶
1. 范围与冻结点¶
- 目标文件：
docs/reading-list.md - 检索与核验日期： 2026-08-30（Asia/Shanghai）
- 时间范围： 经典先修不设起始年；前沿分支重点看 2024–2026
- 主题范围： 因果/流式视频，少步生成/后训练/蒸馏，原生音视频，World Action Model / JEPA
- 冻结规则： 只按冻结日能核验的发表状态标注；之后的版本、转正或撤回不倒灌
本日志是可追溯的检索记录，不是第二份书目库。路线页只保留足以形成“先修 → 主干 → 分支 → 验证”的代表作，而不追求网罗所有新论文。
2. 研究问题¶
- 一个初学者进入四条前沿路线前，最少需要哪些表示、生成目标、时间建模、评测与控制先修？
- 哪些工作构成方法主干，哪些只是新近 recipe 或产品声明？
- 每篇论文的主张可以被哪个最小实验重现，又可被哪个负对照推翻？
- “因果”、“实时”、“少步”、“联合音视频”、“世界模型”和“零样本策略”各需要什么证据？
3. 检索策略¶
3.1 发现性宽搜索¶
2026-08-30 使用 arXiv API 题录宽搜索下列查询。返回总数只用于说明候选池量级，不是 PRISMA 式精确样本数，也不是证据。
| 路线 | arXiv API 查询 | 返回总数 |
|---|---|---|
| causal / streaming | all:("causal video diffusion" OR "streaming video generation" OR "autoregressive video diffusion") |
98 |
| few-step / post-training | all:"video generation" AND all:("consistency distillation" OR "distribution matching distillation" OR "preference optimization" OR "human feedback") |
100 |
| native audio-video | all:("audio-video generation" OR "joint audio visual generation") AND all:(synchronized OR joint) |
62 |
| world-action / JEPA | all:("world action model" OR "video world model" OR "joint embedding predictive architecture") |
563 |
宽搜索后用标题、作者、方法名交叉去重，再转到论文原文和正式发表入口。
3.2 正式状态定点查询¶
使用以下模板定点核验，并在正式入口中回读标题、作者与会议/期刊：
site:proceedings.neurips.cc "<exact paper title>"
site:openaccess.thecvf.com "<exact paper title>"
site:proceedings.mlr.press "<exact paper title>"
site:openreview.net "<exact paper title>"
site:nature.com/articles "<exact paper title>"
site:icml.cc/Downloads/2026 "Causal Forcing"
site:arxiv.org/abs "<exact paper title>"
主题补充查询：
"causal video generation" self forcing diffusion forcing
"real-time streaming video generation" TTFF latency
"video diffusion" distillation preference optimization reward model
"joint audio video generation" twin DiT single stream
"world action model" video action policy
"V-JEPA" action-conditioned world model planning
3.3 来源优先级¶
- 出版方/会议 proceedings 或期刊原文；
- 官方接收名单；
- 作者 arXiv 稿、官方项目仓库或模型卡；
- 机构 system card 或技术报告，仅用于该机构自述。
搜索引擎摘要、媒体、论坛、二手博客和论文聚合站只可导航，不承担路线页的方法、数字或发表状态断言。
4. 纳入、排除与去重¶
4.1 纳入标准¶
- 能填充一个明确教学节点：先修、方法起点、重要分叉、证据边界或可验证前沿；
- 可从一手页面核验标题、方法主张和冻结日的发表状态；
- 与视频生成、视频动力学、音视频生成或动作条件世界模型直接相关；
- 能提出最小复现或负对照，而不只是展示样例。
4.2 排除标准¶
- 只有二手摘要，找不到作者原文、官方仓库或正式入口；
- 同一方法的轻微版本更新，不会改变路线结构或证伪任务；
- 纯音频生成、纯图像加速或纯语言世界模型，且没有必要的视频迁移作用；
- 只有产品演示，无法核验时序因子化、训练目标、版本或释放面；
- 没有封闭回路或 action intervention 证据，却仅凭画面可视化声称已是可行动 world model。
4.3 去重规则¶
- 有正式版时，路线主链指向 proceedings/期刊，不再把 arXiv 稿单独算一篇；
- 技术报告与产品页只要证据合同不同，可以分别保留；
- 同一论文可服务两条路线，但只给一个发表状态；例如 CausVid 同时连接因果生成与少步蒸馏。
5. 证据分级¶
| 级别 | 可核验条件 | 路线页允许的语气 |
|---|---|---|
| A·正式发表 | proceedings、期刊或同行评议入口已经出现 | “论文提出/报告；发表于……” |
| A*·正式接收 | 官方名单可核验接收，但冻结日未找到正式 proceedings 页 | “已被接收；正文当前见作者稿” |
| B·预印本 | 作者 arXiv 稿，未核验正式发表 | “作者提出/报告；截至冻结日为预印本” |
| C·技术报告 | 机构/团队技术报告，无同等正式论文 | “报告披露/展示” |
| D·官方发布 | 官方 system card、模型卡、仓库或产品页 | “提供方声明/发布” |
| S·课程综合 | 本课程的路线、实验与停止规则 | “本课程要求” |
正式发表等级只说明同行评议/出版状态，不保证结论正确、工件开放或能在本地复现。
6. 主干与分支的一手证据台账¶
6.1 共同主干¶
| 节点 | 一手入口 | 状态 | 纳入理由/边界 |
|---|---|---|---|
| Beyond MSE | 作者稿、ICLR 2016 archive | A | 多未来与像素平均的入口；不把感知清晰等同动力学正确 |
| VQ-VAE | NeurIPS | A | 离散表示与压缩损失的基线 |
| DDPM | NeurIPS | A | 扩散训练与多步采样的基线 |
| Flow Matching | OpenReview | A | 连续时间向量场目标；步数仍需独立报告 |
| Video Diffusion Models | NeurIPS | A | 视频扩散、联合生成与级联设计入口 |
| MAGVIT | CVPR | A | 视频 tokenization 与 masked generation |
| VBench | CVPR | A | 用分维度评估代替“一个总分说明一切” |
6.2 因果/流式路线¶
| 作品 | 一手入口 | 状态 | 本路线采用的主张 |
|---|---|---|---|
| Diffusion Forcing | NeurIPS 2024 | A | per-token noise 把生成、预测与 rolling 放进同一框架 |
| CausVid | CVPR 2025 | A | 双向教师到因果学生，DMD、4-step 与 KV cache |
| Self Forcing | NeurIPS 2025 | A | 在自生成历史上训练，直接改变 exposure-bias 条件 |
| Causal Forcing | 作者稿、ICML 2026 官方名单 | A* | 冻结日已接收，未用作者稿伪装 proceedings |
| StreamDiffusionV2 | MLSys 2026 | A | 把 TTFF、deadline、jitter 和 pipeline 纳入生成系统证据 |
| LongLive / Rolling Forcing | LongLive、Rolling Forcing | B | 长时窗口、记忆与 train-long-test-long 前沿 |
| Causal Forcing++ / Causal-rCM | Causal Forcing++、Causal-rCM | B | frame-wise 1–2 step 的新 recipe；不写成已经形成共识 |
6.3 少步/后训练/蒸馏路线¶
| 作品 | 一手入口 | 状态 | 本路线采用的主张 |
|---|---|---|---|
| Consistency Models | ICML 2023 | A | 一步/少步一致映射的基础 |
| DMD2 | NeurIPS 2024 | A | 分布匹配、两时间尺度与输入失配 |
| VideoLCM | 作者稿 | B | 视频 latent consistency 基线；不提高其发表状态 |
| T2V-Turbo | NeurIPS 2024 | A | consistency distillation 与 reward 的联合训练 |
| InstructVideo | CVPR 2024 | A | 视频反馈微调的早期路径 |
| VideoPrefer / VideoRM | NeurIPS 2024 | A | 视频 preference data 与 reward model |
| VideoDPO | CVPR 2025 | A | 多维 preference pair 用于 diffusion DPO |
| DynamicsBoost | CVPR 2026 | A | 无人工标注的 continuation preference；仍需独立盲评 |
6.4 原生音视频路线¶
| 作品 | 一手入口 | 状态 | 本路线采用的主张 |
|---|---|---|---|
| VideoPoet | ICML 2024 | A | 统一多模态 token 与多任务；不由此推出同时联合采样 |
| Movie Gen | 技术报告 | C | 视频模型与独立音频模型家族，作 staged 对照 |
| MMAudio | CVPR 2025 | A | 给定视频的同步音频生成；不是联合生成视频 |
| Ovi | 作者稿 | B | twin-DiT 与逐块双向融合 |
| LTX-2 | 作者稿 | B | 非对称双流、cross-attention 与共享时间条件 |
| MiniMax H3 | 官方发布、官方仓库 | D | 单流联合 AV 的提供方声明；不当作正式论文 |
| Sora 2 | 官方 system card | D | 产品与安全发布证据；不由页面反推未披露架构 |
6.5 World Action / JEPA 路线¶
| 作品 | 一手入口 | 状态 | 本路线采用的主张 |
|---|---|---|---|
| PlaNet | ICML 2019 | A | latent dynamics + CEM + receding-horizon 控制基线 |
| DreamerV3 | Nature 2025 | A | learned world model 中 dynamics、actor、critic 的合同 |
| Genie | ICML 2024 | A | 无动作标签视频的 latent action；不等于真实机器人控制量 |
| DIAMOND | NeurIPS 2024 | A | diffusion world model 与 agent 评估；保留 model exploitation 边界 |
| GameNGen | ICLR 2025 | A | action-conditioned 交互视频；不外推至通用控制 |
| V-JEPA | TMLR | A | masked latent prediction 的表征学习；不是生成器或策略 |
| DINO-WM | ICML 2025 | A | frozen feature + action dynamics + visual-goal planning |
| V-JEPA 2 / 2-AC | 作者稿 | B | action-free encoder 与 action-conditioned predictor 需分开记账 |
| V-JEPA 2.1 / LeWorldModel | V-JEPA 2.1、LeWorldModel | B | dense feature 与端到端 action latent 前沿 |
| DreamGen | CoRL 2025 | A | world model 生成数据后训 policy；不写成在线 planner |
| DreamZero | 作者稿 | B | joint video-action prediction 到 zero-shot policy 的最新汇合；需审计 zero-shot 口径 |
7. 关键断言与证据边界¶
| 断言 | 一手核验基础 | 路线页的保守结论 |
|---|---|---|
| causal video 不等于物理因果推理 | Diffusion Forcing、CausVid、Self Forcing 方法定义 | “causal”通常先指信息访问/生成顺序；物理因果需 action intervention 或反事实实验 |
| streaming 不等于 real-time | StreamDiffusionV2 的系统定义 | 上线声明至少要报 TTFF、稳态节拍、p95/p99、deadline miss 与完整 pipeline |
| few-step 不等于无损加速 | Consistency Models、DMD2、T2V-Turbo | 网络调用数、wall time、质量、多样性与 CFG 能力必须分开测 |
| reward 上升不等于整体质量提升 | InstructVideo、VideoPrefer、VideoDPO、DynamicsBoost | 训练 reward 不得同时充当唯一验收者；要查奖励投机和多样性损失 |
| “有声视频”不等于 native joint AV | Movie Gen、MMAudio、Ovi、LTX-2 的因子化/架构 | 必须标明 staged V2A、统一 token 多任务、耦合双流或单流联合 latent |
| unified tokens 不等于 simultaneous joint sampling | VideoPoet 方法与任务设定 | 共用词表/模型是表示证据，同一采样过程中的 AV 交换需另行核验 |
| JEPA representation 不等于 World Action Model | V-JEPA、V-JEPA 2-AC、DINO-WM | 要分开 encoder、action predictor、planner 和 policy 证据 |
| 好看的 rollout 不等于好 policy | PlaNet、DreamerV3、DIAMOND、DreamGen | 必须给 action intervention、receding-horizon 反馈、成功率与 model-to-real/original-env gap |
| Causal Forcing 为 A* 而不是 A | ICML 2026 官方名单 + arXiv 作者稿 | 已接收，但冻结日未用作者稿代替正式 proceedings |
| 最新不等于证据最强 | 上述所有 B/D 级条目 | 前沿论文可以必读，但必须显式标成预印本或官方发布 |
8. 验证任务的设计原则¶
- 对准论文主张： 质量主张用盲评与分维指标，速度主张用完整 pipeline 计时，联合 AV 主张用跨模态干预，WAM 主张用 action 对照和闭环任务。
- 冻结混淆项： 模型/权重版本、prompt、seed、时长、分辨率、CFG、VAE、硬件、精度和预处理。
- 先写 falsifier： 实验前预注册什么结果会让声明降级，避免看到样例后移动标准。
- 保存失败： 长时漂移、卡顿、声音张冠李戴、action-insensitive rollout 与 simulator exploitation 都是结果。
- 不越级结论： 作者实验只能写“论文报告”；课程复现只支持自己已运行的版本、任务和硬件。
9. Mermaid 路线图设计记录¶
docs/reading-list.md 使用两张 Mermaid 图，不生成 PNG：
- 课程依赖图： 只显示先修、共同主干、四分支、共同验收与结课项目；避免把每篇论文塞进图中。
- 证伪回路图： 将 claim 到 measurable proposition、protocol、frozen conditions、reproduction、falsifier 和结论降级串成闭环。
两图都提供 accTitle / accDescr 和图后中文文字替代。颜色只用于辅助分组；所有关系仍由节点文字、箭头和“是/否”标签表达。
10. 局限与更新触发器¶
- arXiv 题录宽搜索会包含不相关或同版记录；返回总数不可作为系统综述流程图的纳入数。
- 一部分 2026 工作只有预印本，或只能从官方名单核验接收；路线为此保留 A* 与 B 级。
- 商业产品的训练数据、完整架构和 serving pipeline 可能不公开；D 级只能支持提供方声明。
- 本路线刻意选代表作而不穷尽所有工作。若出现正式版、公开 checkpoint、独立复现或反证结果，应更新证据等级与最小任务。
11. 文档验证记录¶
下列检查在路线文本定稿后执行；本节将记录实际结果，不用“应该通过”代替。
- Markdown lint：
markdownlint-cli 0.47.0检查两份文件，0 错误 - Markdown 引用/围栏闭合：围栏计数与链接语法扫描，通过
- 仓库内相对链接：14 处逐一解析，目标全部存在
- 外部一手链接：93 次引用、46 个去重 URL；39 个直接 HTTP 200，其余 7 个因
curl的 TLS/403 限制未直接返回 200，已通过浏览器入口逐一打开并回读标题 - Mermaid 实际 SVG 渲染：
mermaid-cli 11.12.0将两个图块分别渲染为 SVG，2/2 通过；SVG 均含aria-labelledby和aria-describedby，未生成 PNG git diff --check -- docs/reading-list.md sources/research_20260830_reading_routes.md：通过