Forcing-KV：高效自回归视频扩散模型的混合KV缓存压缩

arXiv 2026 16.8 method

TLDR

Forcing-KV采用静态与动态注意力头混合剪枝压缩KV缓存，减少内存并加速自回归视频扩散生成。

评分理由

The paper provides a clear empirical analysis of attention head specialization and proposes a practical compression method with measurable speedups and memory savings. However, the abstract is incomplete and lacks explicit quality metrics, and the connection to world models is not established.

Read-first 评分解释

综合优先阅读分 16.8，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 3。

近期性 5%

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

可复现性 15%

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

方法质量 15%

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：无

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

主题相关性 25%

4.3

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 15%

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 10%

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：27。

关键词评分

world model

generative world model

video world model

world simulator

interactive world model

world dynamics prediction

model-based reinforcement learning world model

资源

论文