Ring Forcing：迈向自回归视频扩散的精确长期记忆

arXiv 2026 28 method

TLDR

通过环形训练与压缩策略，Ring Forcing 增强自回归视频扩散的长期记忆、物体恒存性与分钟级连贯性。

评分理由

The paper clearly decomposes long-term video generation issues into object permanence and memory capacity, proposing ring training, compression, and sparse RoPE. However, the abstract provides limited detail on datasets, baselines, and quantitative limitations, relying on stated experiments without visible specifics.

Read-first 评分解释

综合优先阅读分 28，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 24。

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

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：复现

主题相关性 29%

34.3

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

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：实验

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：111。

关键词评分

video world model

generative world model

world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

资源

论文