Causal Forcing++：可扩展的少步自回归扩散蒸馏用于实时交互式视频生成

arXiv 2026 55.8 method

TLDR

提出Causal Forcing++用于帧级1-2步自回归扩散蒸馏，实现更快更好的交互式视频生成。

评分理由

The paper identifies a key bottleneck in few-step AR student initialization and introduces causal consistency distillation to overcome it, showing clear improvements in latency and quality metrics. However, the abstract lacks details on real-world deployment or broader generalization, and the connection to world models is indirect.

Read-first 评分解释

综合优先阅读分 55.8，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 26。

近期性 6%

100

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：2026

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。归一化引用分位：0.77981139

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：有；数据：无；命中信号：GitHub

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：基准、指标、结果

主题相关性 29%

37.1

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

基础论文前沿论文桥接论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：489。

关键词评分

video world model

interactive world model

world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

因果一致性蒸馏（causal CD）用于少步自回归初始化，通过相邻时间步之间的单次在线教师ODE步骤学习自回归条件流映射，避免预计算完整PF-ODE轨迹。
仅需1-2步采样的帧级自回归，实现实时交互式视频生成。
可扩展的流水线，在帧级2步设置下超越SOTA的4步分块Causal Forcing，指标提升且延迟和训练成本降低。

方法

本文提出Causal Forcing++流水线，使用因果一致性蒸馏初始化少步自回归扩散学生模型。学生模型通过从相邻时间步之间的单次在线教师ODE步骤获取监督信号来学习自回归条件流映射，无需存储完整PF-ODE轨迹。该初始化随后用于仅需1-2步采样的帧级自回归生成，并在视频生成基准上进行评估。

关键结果

Causal Forcing++在帧级2步设置下超越SOTA的4步分块Causal Forcing：VBench Total提升0.1，VBench Quality提升0.3，VisionReward提升0.335，同时首帧延迟降低50%，阶段2训练成本降低约4倍。

资源

论文代码