变分随机视频生成研究轨迹（2026-08-30）

范围：为 docs/generative-models/variational-generation.md 提供可复核证据。本文只把“训练时可看真实未来/新观测的 posterior、部署时不看未来的 generative prior（固定或只看历史/合法条件），以及二者之间的变分对齐”计入严格主线；普通 video VAE tokenizer、纯 diffusion/flow、确定性 latent、GAN 噪声和没有生成 prior 的 latent action 均单独分流。

1. 研究问题

本轮围绕十个问题展开：

1. 如何用统一信息合同区分 stochastic future latent、representation tokenizer、belief state、latent action 与 diffusion noise？
2. 从 fixed prior 到 learned conditional prior，真正改变了哪一个部署接口？
3. global、per-step、hierarchical、clockwork、object/module 与 particle latent 分别解决什么问题？
4. 模糊来自 likelihood 假设、容量不足、近似后验不足还是 rollout 漂移，如何分账？
5. posterior collapse、amortization gap 与 prior–posterior gap 如何用不同实验诊断？
6. 2015–2026 的严格里程碑、首次公开时间与正式发表状态是什么？
7. best-of-100、FVD、下游控制 return 分别能和不能证明什么？
8. 2023 后开放域生成迁移到 latent diffusion/flow，VAE 在系统中为何仍存在但角色已改变？
9. 2025–2026 哪些新系统是真正的变分随机动力学，哪些只是名字中带 latent/VAE？
10. 如何把这些结论变成一个有命名数据、等预算分叉、阈值与否证条件的最小实验？

2. 检索表面、日期与证据等级

专项核验于 2026-08-30（Asia/Shanghai） 执行。搜索结果只用于发现，最终事实回到正式 proceedings、出版社页面、作者 arXiv 稿或官方仓库/项目页。

检索表面	代表检索对象	用途
arXiv	VRNN、SV2P、SVG-LP、SRVP、FitVid、RSP、LPWM	核对 v1 首次公开时间、作者稿和 preprint 状态
PMLR	SVG-LP、PlaNet、SRVP、VIM	核对正式 venue、摘要、页码和作者实验合同
CVF Open Access	Improved Conditional VRNN、S3VAE、GHVAE、SLAMP、NUQ、IV-VAE	核对 accepted version、机制和表格协议
NeurIPS proceedings	VRNN、Large Stochastic RNN、CW-VAE、STORM	核对正式节点与时序/控制机制
ICLR / OpenReview	SV2P、VPR、VP²、LPWM	核对接收状态、posterior/prior 与 benchmark 合同
Nature	DreamerV3	核对 2025 正式发表、RSSM 目标和控制证据边界
ScienceDirect / PubMed	2026 implicit hierarchical temporal–spatial residual model	核对 journal 状态、DOI、摘要与数据口径
官方项目页 / GitHub	SAVP、FitVid、LPWM	核对代码、checkpoint、数据入口；不把 README 的排名当独立复现

证据等级：

• A：正式 proceedings 或出版社论文；可支撑 venue、方法和论文内实验。
• B：作者 arXiv 稿；可支撑公开技术细节，不能冒充同行评审。
• C：作者/机构官方仓库、项目页；可支撑代码、权重和接口是否公开。
• X：聚合页、博客和搜索摘要；只用于发现，不支撑教材事实。

3. 严格纳入合同

3.1 核心判定

一个条目进入严格 variational future 主线，至少要有：

1. 显式随机潜变量或随机 latent state；
2. 训练 posterior \(q_\phi(z\mid h,y,c)\) 能看待解释的真实未来/新观测；
3. 部署 prior \(p_\psi(z\mid h,c)\) 固定，或只能看历史和合法条件；两种情况都不能看未来；
4. KL、ELBO 或等价 variational free-energy 路径对齐二者；
5. 部署时从 prior 产生未来或 latent rollout，而不是仍调用 posterior oracle。

顺序模型的统一目标可写为

\[
\mathcal L
=
\sum_t
\mathbb E_q\log p_\theta(x_t\mid x_{
只有在 \(\beta_t=1\) 且其余项保持概率模型一致时，它才是原始模型对数似然的标准 ELBO；调低 \(\beta\)、free bits、额外 GAN/感知/对比目标都会改变 rate–distortion 取舍，不能再把目标值无条件解释成可比 likelihood。
3.2 近似但必须排除或分流的接口



系统/概念
为什么看起来相似
严格裁决




video VAE tokenizer / IV-VAE
有 encoder、Gaussian latent、KL 和 decoder
表示已知完整视频；属于 tokenizer，不是未来不确定性


latent diffusion / flow
有随机噪声和概率路径
没有 learned semantic future posterior–prior 合同；属于另一 objective


VQ-VAE / AR token
token 是 latent，生成是随机的
nearest-neighbor/VQ 与 categorical AR 不自动构成 variational inference


Wichers 2018 hierarchical prediction
名字有 hierarchical，预测长视频
高层 feature predictor + adversarial feature loss；无 q/p/ELBO，移出严格主线


PlaySlot 2025
有 latent action 和 inverse dynamics
训练是 image/slot/VQ，部署 action 由人或 policy 给出；无 history-only generative prior 的 KL


ordinary Slot Attention / SlotFormer
有 object latent
多为 deterministic slots；“latent object”不等于“stochastic object”


GAN noise / dropout
不同 seed 可生成不同结果
无 future-aware amortized posterior，不能证明 learned future distribution


PlaNet / Dreamer RSSM
有 posterior、prior、KL 和 stochastic state
数学上是变分支线；核心验收是 action/reward/return，不能冒充开放域视频生成排名


LPWM 2026
particle posterior/dynamics prior、inverse-action posterior/policy prior、ELBO
纳入对象中心 world-model 前沿，但限定对象、相机运动和控制场景证据



4. 里程碑与正式状态账本



首次公开
正式状态
节点
新增机制
作者协议与证据边界




2015-06-07
NeurIPS 2015
VRNN
每步 stochastic state、conditional prior/posterior
通用序列前史；实验主要是语音/手写，不是视频 benchmark


2017-10-30
ICLR 2018
SV2P
fixed \(N(0,I)\) prior 下的全局/逐帧未来 latent
100 samples 按最高 PSNR 选 oracle 样本并报告相应 PSNR/SSIM；不是校准


2018-02-21
ICML 2018
SVG-LP
每步 learned history-conditioned prior 对齐 posterior
SM-MNIST/KTH/BAIR；AR 漂移和 best-of-(N) 仍存在


2018-04-04
arXiv preprint
SAVP
posterior VAE 路径 + prior-sampled GAN 路径
BAIR/KTH；best/avg/worst over 100；500-step 只是超出训练 horizon 的质性展示


2019-04-27
ICCV 2019
Improved Conditional VRNN
多层 latent、dense connections、高容量 likelihood
把模糊的一部分归因于 underfitting；层级与容量贡献仍缠绕


2019-06-19
NeurIPS 2019
Struct-VRNN
keypoint/object structure + stochastic dynamics
结构 latent 支撑预测与下游任务；不等于自然视频对象已可识别


2019-11-05
NeurIPS 2019
Large Stochastic RNN
减少手工 flow/mask 偏置，扩大 stochastic recurrent model
scale/capacity 节点；不能把算力混杂写成新不确定性语义


2018-11-12
ICML 2019
PlaNet
deterministic memory + stochastic RSSM、latent overshooting
64×64 控制任务，优势主要是样本效率；不是开放域视频质量证明


2020-02-21
ICML 2020
SRVP
全 latent residual dynamics，解耦 frame synthesis 与时序演化
每 context 100 futures；oracle frame metrics 与 5 组 FVD 需分开


2020-05-23
CVPR 2020
S3VAE
global/static 与 local/dynamic latent，自监督解耦
分类器/IS 证据不能替代开放域分布质量


2020
ICML 2020
G-SWM
object/global stochastic state，结构化阻断 attribute bypass
合成球碰撞/CLEVR-like；对象证据不能直接外推真实视频


2020-10-05
ICLR 2021
DreamerV2
categorical RSSM + KL balancing
Atari 55 tasks；discrete state 的关键节点，不应误归给 V3


2021-02-18
NeurIPS 2021
CW-VAE
多层 latent chain 按固定慢时钟更新
最长 1000-frame rollout 主要来自 MineRL/Moving-MNIST 等受控域


2021-03-06
CVPR 2021
GHVAE
层级 VAE 逐层贪心训练，缓解显存与联合优化困难
作者报告 4 数据集和机器人任务增益；容量/模块数是混杂


2021-06-24
arXiv / CoRR
FitVid
简单大容量 fixed-prior VAE，暴露 benchmark 过拟合
best-of-100 与 FVD 协议不同；训练身份复现不等于未来建模


2021-08-05
ICCV 2021
SLAMP
appearance 与 motion 两条 stochastic branch + motion history
驾驶数据有优势；命名分支不证明语义或因果解耦


2021-10-06
ICCV 2021
NUQ
hierarchical variational predictive uncertainty
latent uncertainty 未自动在事件空间校准；降权也可能容忍错误


2021-10-21
ICLR 2022
VPR
event-boundary-triggered hierarchical renewal
主要是合成事件数据；不能外推开放视频


2022
CLeaR 2022
VIM
object slots + categorical mechanism selector + Gaussian residual
Random-Walk toy；主要结果使用 inference network 读当前目标观测，是 posterior-assisted reconstruction，不是 prior-only deployment generation


2023
ICLR 2023
VP²
固定 planner、11 类/310 任务实例的控制中心评测
证明感知指标可能不预测控制成功；不是一种新 VAE 架构


2023-06-09
TMLR 2024
DDLP
particle-tracking posterior + Transformer dynamics variational prior
LPWM 的直接粒子前身；对象化场景、遮挡和相机运动仍是边界


2024-06-11
ICML 2024
RSP
categorical future latent + masked-image objective 用于表示学习
作者明确只做单 future frame、图像质量不高；不是长视频突破


2023-01-10
Nature 2025
DreamerV3
categorical RSSM、split KL、free bits、unimix
150+ 控制任务与 5→45 action-conditioned rollout；return 不是校准


2026-02-17 / 07
Neural Networks 2026
Implicit hierarchical temporal–spatial residual model
prior–posterior spatial residual 与层级重建
3 数据集作者结果；正式延续不等于 VAE 重回开放域主流


2026-03-04（arXiv v1；OpenReview 首次可见日未冻结）
ICLR 2026 Oral
LPWM
object particles、stochastic dynamics、inverse-action posterior 与 policy prior
对象中心、动作/语言/图像目标条件；仍受 particle identity、patch origin 和相机运动限制



5. 关键 paper review 证据
5.1 Fixed prior 到 learned prior
SV2P 把多未来问题显式交给 latent，但部署仍从固定标准高斯采样。训练 posterior 看完整未来，因而测试时绝不能使用 posterior 样本。论文图 6 从 100 次采样中按最高 PSNR 选 oracle 样本，并报告该样本的 PSNR/SSIM；这证明“样本集合中是否包含接近记录真值的一个”，不证明样本频率正确。
SVG-LP 令每步 prior 随历史变化，并与能看当前真实帧的 posterior 对齐。真正的里程碑不是“用了 VAE”，而是把部署分布写成 learned interface。它仍可能漏 mode、collapse 或在 open-loop 中累积误差。
SAVP 将 VAE coverage 路径与 GAN realism 路径组合。锐利度与视觉真实感可以改善，但 GAN mode collapse、prior gap 与未校准的 best-of-100 仍须单独报告。截止冻结日应保持 arXiv preprint 状态。
5.2 容量、层级与时间抽象
Improved Conditional VRNNs 使用多层 Gaussian latent、dense latent connections 与更高容量 likelihood。BAIR 的作者协议是 2 context + 10 train futures、测试延长到 28 futures；每个 context 100 samples，LPIPS/SSIM 取 best，FVD 则从 100 中随机取 1 并重复。不同采样聚合方式不能混成单一排行榜。论文的重要纠偏是：VAE 模糊并非只能归因于 MSE，underfitting 和受限 latent/likelihood 也可能是原因。
GHVAE 把层级模型拆成逐层贪心、模块化训练，绕开整网显存和双向依赖造成的优化困难。作者报告相对基线的 17–55% 视频指标提升及 35–40% 机器人成功率提升，但这些是论文内特定任务/预算，不能直接与后来的 FVD 或开放域生成比较。
CW-VAE 让第 \(l\) 层只在固定慢时钟集合 \(T_l\) 更新，非活跃时刻复制状态。它证明 temporal abstraction 可扩展 rollout，但“高层等于慢物体”是数据与 clock 设计共同产生的归纳偏置，不是自动语义发现。
VPR 用事件边界触发层级更新，是 fixed clock 的另一方向。其强证据集中在合成 3D Shapes Dynamics/Moving Ball；应称事件抽象机制证据，而非开放域视频结果。
5.3 把动力学从像素回灌中分离
SRVP 在 latent 中做一阶 residual update，再由独立 frame generator 渲染，避免每步把解码帧重新编码。它的贡献是 factorization：frame synthesis 与 temporal dynamics 可分别演进；一阶 residual 仍是结构限制，decoder 也可能掩盖 latent 失败。
S3VAE 把 static global \(z_f\) 与 sequential dynamic \(z_{1:T}\) 分开，并加入光流、landmark/audio 等自监督约束。分类器准确率和 inception-style score 只能说明给定 probe 下的可分性，不证明因果解耦或多未来校准。
SLAMP 分别建模 appearance/pixel 与 flow/motion 随机分支，再用 mask 融合渲染与 warp。对 KITTI/Cityscapes 的价值来自显式运动历史；遮挡、相机运动和 warping 错误仍是主要边界。KTH 上其 FVD 并未全面胜过 SRVP，因此不能写“所有数据 SOTA”。
5.4 对象、模块与 latent action
G-SWM 用对象级随机 state 和 global context，并通过先从 state 再生成 attributes 的结构阻断 observation-to-attribute shortcut。这比“给 slot 起语义名”更接近可检验的对象模型，但证据主要是合成场景。
VIM 为每个对象同时学习 categorical mechanism selector 与 Gaussian residual，并为二者设置 prior/posterior KL。其 OOD 组合证据来自 32×32、3 balls 的 Random-Walk toy；主要结果在测试时使用 inference network 读当前目标观测，因此属于 posterior-assisted reconstruction，不能当 prior-only deployment generation 证据。部分基线还 teacher-force 上一真值帧，数值不能无条件横排。
DDLP 用 particle-tracking posterior 对齐跨帧对象，并把 Transformer dynamics 作为只看过去粒子的 variational prior；它是 LPWM 的直接对象粒子前身。其 what-if 与紧凑生成证据建立在对象化数据上，不能自动解决对象 birth/death、严重遮挡或开放相机运动。
LPWM 是冻结日最新的正式前沿：对象粒子带位置、尺度、深度、透明度和 appearance 属性；inverse-action posterior 在训练看见转移，policy prior 在部署从历史/条件采样，particle encoder posterior 再与 dynamics prior 对齐。官方提供代码、数据和预训练模型。它把 variational dynamics、object-centric representation、latent action 和多条件接口接在一起，但仍未证明适用于开放相机运动和通用互联网视频。
5.5 World model 分支
PlaNet 的 RSSM 组合 deterministic memory 与 stochastic state，并用 latent overshooting 对齐多步 prior 与 informed posterior。其价值是样本高效控制；论文六个 64×64 Control Suite 任务中也并非全面超过 D4PG。
DreamerV2 在 2020 首次公开并于 ICLR 2021 正式发表，用 categorical RSSM 与 KL balancing 把 imagined behavior learning 扩到 Atari 55 tasks。DreamerV3 在此基础上加入 split/stop-gradient KL、1 nat free bits、unimix 和跨域稳定化；Nature 论文验证 150+ 控制任务，并展示 5 帧 context 加动作后预测 45 帧。主要结论来自 return、reward/continue 与行为学习，不是开放域视频 uncertainty calibration。
6. 评测协议与不可跨越的推断
6.1 必须分开的四种汇总



汇总
回答的问题
不能推出




single sample
一次典型部署可能得到什么
覆盖全部 mode


sample average / expected metric
整个采样分布的平均质量
稀有 mode 已覆盖


best-of-\(K\)
\(K\) 个样本中是否存在接近记录真值者
概率频率、校准或典型质量


posterior oracle
看见真实未来后 latent 能否解释它
部署 prior 能生成同样结果



所有 best-of-\(K\) 必须披露 \(K\)；不同 \(K\) 不能横比。best-of-100 可以奖励过宽甚至带噪的分布。
6.2 建议的证据组合

概率/latent 使用：ELBO/NLL（仅同 likelihood/scaling）、逐时刻/逐层 KL、active units、\(I_q(z;y\mid h,c)\) proxy、zero/shuffle/resample intervention。
分布：event NLL/Brier/ECE、mode coverage、rare-mode recall、spurious-mode rate、sample-average 与 best-of-\(K\)。
视觉：FVD/video precision–recall/LPIPS 与条件错误、identity/state tracking 并列；FVD 有 content bias，不能单独代表时间真实性。
长时：按 horizon 报 prior/posterior gap、状态漂移、条件违规、diversity 和感知质量。
world model：latent/reward/continue 误差、OOD/model exploitation、固定 planner 下 return；return 不替代分布校准。
object/latent action：count/presence、tracking ID、interaction/collision、posterior–policy agreement、controllability 与下游 return。

每个数值必须附 context/predict horizon、分辨率/fps/crop、real/generated sample 数、sampler steps、backbone/checkpoint、\(K\)、seed/CI 和硬件。
7. LatentFork-1 预注册草案
7.1 机制数据 Forking-Squares-v1

64×64，8 帧历史、24 帧未来；同一 prefix 的重复未来共享前 8 帧。prefix 中可见 cue $g\in\lbrace\text{cyan},\text{amber},\text{violet}\rbrace$，对应 left/right/stop 真分布分别为 \((0.6,0.3,0.1)\)、\((0.2,0.7,0.1)\)、\((0.1,0.2,0.7)\)；三种 cue 在 split 内平衡，模型不得读取未来随机数。
按初始状态分组切分 10,000/2,000/2,000，避免同一轨迹参数泄漏。
每个测试前缀由 simulator 固定生成 64 个真实未来，保存真实 mode label、概率、轨迹和 identity。
这是本教材提出的机制基准，不冒充已发表 benchmark；实验运行前须提交 generator、manifest 与 hash。

外部效用 smoke test 使用 VP² RoboDesk 的官方数据、任务、planner 和公共 SVG′ checkpoint 作锚点；所有比较分支仍须等预算重训，不能直接横比不同预训练模型。
7.2 分叉与预算



Fork
唯一变化




A
无随机 latent；将容量回填到 deterministic residual adapter


B
posterior + fixed \(N(0,I)\) prior，保留 KL


C
posterior + history/action-conditioned learned prior


D
global \(z_g\) + per-step \(z_t\) hierarchical prior；缩减其他宽度以匹配预算


Q
posterior-oracle，仅量化 posterior-assisted 上限与 deployment-prior gap；禁止作为部署结果



参数 ±1%、单 rollout active FLOPs ±5%、总训练 FLOPs ±2%；同数据顺序、优化步数、增强、decoder、forcing 和 5 个训练 seed。测试只允许 prefix、合法 action/condition 和 seed；隐藏未来变化不得改变 prior 输出。由于 B 的 history-conditioned decoder 理论上也能把固定 Gaussian 映射成 cue-dependent mode，C–B 只是整系统优化/归纳偏置 ablation，不能单独证明 learned prior 的表达能力必不可少。
7.3 报告与建议阈值
每个历史固定 \(K=64\)，同时报 single、sample-average、best-of-64、event Brier/NLL/ECE、coverage、rare recall、spurious rate、KL、active units、latent intervention、条件违规、轨迹/感知误差及 horizon 曲线。JS 分两项：主指标比较 prior event distribution 与 simulator truth；次指标把同一 \(h\) 的 64 个真实未来分别送入 posterior 后聚合 event distribution，再与 prior samples 比较。禁止把单个真实未来对应的集中 posterior 直接对混合 prior。
下列是教材建议的预注册保留阈值，不是已运行结果或领域公认阈值：

C 相对 B 的 Brier 改善至少 0.02，paired-bootstrap 95% CI 下界大于 0；
0.1 rare mode 的 recall@64 ≥ 0.80，spurious mode ≤1%；
条件违规相对 A/B 增幅 ≤1 个百分点，expected state/perceptual error 劣化 ≤3%；
per-prefix \(\mathrm{JS}(p_{\mathrm{prior}}(m\mid h),p_{\mathrm{sim}}(m\mid h))\le0.05\)；聚合 posterior–prior JS 只作诊断，不对单样本 posterior 设混合分布阈值；
重采样 \(z\) 至少在 30% 测试历史中改变持续事件分支；同 \((h,z)\) 重跑一致率 ≥99%；
D 只有在 horizon-24 coverage 比 C 提高 ≥5 个百分点且质量/违规通过非劣界时，才保留“层级改善长期覆盖”；
VP² 的“有助规划”声明要求成功率至少 +5 个百分点且 95% CI 排除 0。

一票否决：收益只存在于 Q 或 best-of-\(K\)；\(z\) 只改纹理；覆盖来自非法 mode；预算匹配后收益消失；C 未改善 proper score 却被解释为 learned-prior 优势；控制收益只来自更多 planner rollout；把单 checkpoint 采样当 epistemic uncertainty。
8. 生成式教学图记录
8.1 学习目标
一图解释：训练 posterior 可见真实未来，部署 learned prior 只能见历史；KL 对齐两者；同一 decoder 产生 left/right/stop 多未来；验收依次检查 latent 是否被使用、prior gap、mode coverage 和 calibration。
8.2 精确生成提示词
Create a clean, publication-quality scientific teaching infographic in 16:9 landscape, white background, flat vector style, high contrast, dark navy + cyan + amber accents. Audience: graduate students learning stochastic variational video prediction. Exact title: “VARIATIONAL VIDEO: TRAINING VS DEPLOYMENT”. Build a left-to-right two-lane diagram. Top lane labeled “TRAINING”: boxes “history h + observed future y” → “posterior q(z | h,y)” → “latent z”. Bottom lane labeled “DEPLOYMENT”: “history h only” → “learned prior p(z | h)” → three sampled latent dots. Draw a clearly labeled vertical dashed bridge “KL alignment” between posterior and learned prior. Both lanes feed one shared box “decoder p(y | h,z)”. From the decoder, show three coherent future branches of the same small moving square: “LEFT”, “RIGHT”, “STOP”; preserve the same object identity and scene while only the event branch changes. On the far right, show four compact evidence gates with check icons and exactly these labels: “LATENT USED?” with caption “z changes the event”; “PRIOR MATCH?” with caption “small prior–posterior gap”; “COVERAGE?” with caption “modes, not invalid futures”; “CALIBRATION?” with caption “frequency matches probability”. Add a bottom amber warning banner with the exact sentence: “A sharp best-of-100 sample is NOT a calibrated future distribution.” Keep all text horizontal, large, correctly spelled, uncluttered, and inside safe margins. Use arrows with unambiguous direction. No gradients, no photorealism, no decorative neural-network nodes, no logos, no citations, no extra text.

8.3 产物与当前 QA

文件：assets/diagrams/variational-future-contract.png
尺寸：1536×1024 RGB PNG；1,287,491 bytes。
SHA-256：ca309b30ebe193282a52a9d3d2c579ad0710552a32a084148d7cf234f6b52531
原图人工检查：所有指定文字正确；箭头、训练/部署信息边界、三种 mode 和四道 evidence gate 可辨。
灰度检查：PASS；标题、两条信息通道、三种 mode、四道 evidence gate 与底部 warning 均保持可辨。
正文嵌入检查：相对路径存在，alt 与图注齐全；相关 Markdown 本地资源闭包通过。
比例偏差：提示词要求 16:9，工具实际返回 1536×1024（3:2）。本轮接受该偏差，因为内容完整且横向教材页可读；不裁切，以免破坏标题、右侧 evidence gate 或底部 warning。
Mermaid 复核：本轮涉及的 11 个 Markdown 文件共 19 个图均由 mermaid-cli 11.16.0 + 系统 Chrome 成功渲染，且均含 accTitle 与 accDescr；新增/修改的 4 个图另做原色与灰度人工检查。

9. 本轮裁决

2017–2022 的严格主线是 fixed → learned prior、per-step → hierarchy/temporal abstraction、pixel recurrence → latent dynamics、monolithic → object/module。
2018–2025 的 RSSM/world-model 分支把 posterior/prior 工程化为 categorical state、KL balancing、free bits 和 action-conditioned imagination；控制证据不等于开放域视频校准。
2023 后开放域高保真视频生成主流更多采用 VAE/VQ compression + diffusion/flow/AR；这里的 VAE 是表示接口，不是未来分布 posterior。
ICLR 2026 LPWM 是对象粒子 + latent action + 多条件变分动力学的正式前沿；Neural Networks 2026 的 implicit hierarchical residual model 是 direct long-term VAE 延续。两者都不能证明 VAE 已重新成为通用视频 foundation model 主干。
当前最薄弱的证据不是“能否生成一张好看的未来”，而是 prior 是否匹配、mode 频率是否校准、长 horizon 是否保持条件、以及下游效用是否在固定预算下成立。