interactive-video

Light Interaction 提出了一种用于交互式视频世界模型的无训练推理加速框架，采用自适应上下文管理、去噪缓存加速和3D块稀疏注意力，实现了高达2.59倍的速度提升，同时保持了有竞争力的视觉质量。

Incantation 提出了一个交互式视频世界模型，该模型使用自然语言作为动作接口，实现细粒度的多实体控制和跨实体泛化，通过新颖的注意力机制和蒸馏技术实现了高性能和实时流式处理。

Echo-Forcing 提出了一种用于交互式长视频生成的场景记忆框架，利用分层时间记忆、场景召回帧和差异感知记忆衰减来处理提示切换和长期回忆。该方法无需训练，在 VBench-Long 上取得了强劲的性能。