实时长视频生成要求持续输出，同时保持外观一致性和自然的运动。现有的分块自回归方法在生成效率和长视频质量上都面临挑战：串行化的去噪与历史缓存刷新即使用一步去噪也需要两次前向传播，而更长的展开序列会导致质量下降并引发镜头漂移。我们提出 Wave Forcing（WF），针对多步去噪下的连续视频输出，对生成、训练与执行进行协同设计。WF 采用分块因果注意力，可在前序更干净的块完成去噪之前访问它们，并将交错的去噪与缓存刷新阶段分布到全模型副本上，从而实现 1F1C：在流水线填充后，每轮并发前向传播输出一个块。为使模型适应这一连续生成过程，我们设计了三阶段训练流程，依次引入混合噪声去噪、运动监督，以及基于自生成历史的因果适配。为高效执行该过程，Wave Runtime（WaveRT）使用 Wave Parallelism（WP）实现 K/V 的提前传递与通信-计算重叠，并结合优化算子和流水线化的 VAE 解码。在 Wan2.1-T2V-1.3B 上的实验表明，5 步 WF 在保持与 Rolling Forcing 相当的整体质量的同时，在短视频和长视频上都取得了更高的 Dynamic Degree。系统效率实验显示，4 步 WF 在八块 H200 GPU 上达到 147.6 DiT FPS 和 134.8 端到端 FPS，端到端吞吐量是单卡的 7.07 倍。在 DiT-only 测试中，在匹配 SageAttention+W8A8 后端、去噪步数和 GPU 数量的条件下，WP 在六个模型规模（1.3B–14B）上相比 Ulysses 和 Ring 上下文并行基线中较快者，吞吐量最高提升至 2.53 倍。