BIFE：更优交互，更少错误，实现分钟级视频生成

arXiv 2025 25.9 method

TLDR

BIFE利用语义稀疏KV缓存与Block Forcing训练，提升分钟级视频生成并达到最优。

评分理由

The paper addresses important challenges in long video generation with novel mechanisms and a new benchmark, showing clear quantitative gains. However, the abstract only mentions world models as motivation, not as a core contribution, and lacks details on limitations or broader real-world deployment.

Read-first 评分解释

综合优先阅读分 25.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 5。

近期性 6%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、实验、指标

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码、GitHub

主题相关性 29%

7.1

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：100。

关键词评分

world model

video world model

generative world model

world simulator

interactive world model

world dynamics prediction

model-based reinforcement learning world model

资源

论文