论文页面 - Flex-Forcing：迈向统一的自回归与双向视频扩散模型

来源：https://huggingface.co/papers/2607.03509

摘要

Flex-Forcing 通过一种在时间轴和去噪步骤上定义的灵活分块机制，使视频扩散模型能够在双向生成和自回归生成两种模式下运行，从而提升视频质量和推理速度。

近年来大规模生成模型的进展显著推动了视频生成（https://huggingface.co/papers?q=video%20generation）的发展，但现有方法仍受限于僵化的推理范式（https://huggingface.co/papers?q=inference%20paradigm）。双向扩散模型（https://huggingface.co/papers?q=Bidirectional%20diffusion%20models）擅长全局一致性（https://huggingface.co/papers?q=global%20coherence）和视觉保真度（https://huggingface.co/papers?q=visual%20fidelity），但推理速度较慢；而自回归模型（https://huggingface.co/papers?q=autoregressive%20models）能够高效、流式生成，却以长程一致性（https://huggingface.co/papers?q=long-range%20consistency）和曝光偏差（https://huggingface.co/papers?q=exposure%20bias）为代价。我们提出了 Flex-Forcing，一个统一的训练和推理框架，使得视频扩散模型（https://huggingface.co/papers?q=video%20diffusion%20model）能够无缝地在双向生成和自回归生成（https://huggingface.co/papers?q=autoregressive%20generation）两种模式下运行。其核心思想是一种在时间轴（https://huggingface.co/papers?q=temporal%20axis）和去噪步骤（https://huggingface.co/papers?q=denoising%20steps）上共同定义的灵活分块机制（https://huggingface.co/papers?q=flexible%20chunking%20mechanism）。该设计使模型能够：(1) 根据不同的设备预算执行灵活分块；(2) 在块间进行双向推理以规划全局结构，同时在每个块内自回归地生成帧以实现高效且精细的合成；(3) 无需严格的因果约束，实现任意顺序、任意时间步的自回归生成。在多个视频生成（https://huggingface.co/papers?q=video%20generation）基准上的大量实验表明，与采用僵化推理调度的强基线相比，Flex-Forcing 始终能获得更好的视频质量和长视频稳定性，同时推理速度更快。

查看 arXiv 页面（https://arxiv.org/abs/2607.03509）
查看 PDF（https://arxiv.org/pdf/2607.03509）
项目页面（https://research.nvidia.com/labs/genair/flex-forcing/）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.03509）

在你的 agent 中获取本文：

hf papers read 2607.03509

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型（0）

没有模型链接本文

请在你的模型 README.md 中引用 arxiv.org/abs/2607.03509 以从此页面链接。

引用本文的数据集（0）

没有数据集链接本文

请在你的数据集 README.md 中引用 arxiv.org/abs/2607.03509 以从此页面链接。

引用本文的 Spaces（0）

没有 Space 链接本文

请在你的 Space README.md 中引用 arxiv.org/abs/2607.03509 以从此页面链接。

包含本文的收藏（0）

没有包含本文的收藏

请将本文添加到收藏（https://huggingface.co/new-collection）以从此页面链接。