planning-tokens

ShotPlan 引入了带有分数时间旋转位置嵌入的可学习规划标记，用于电影级多镜头视频生成，实现了显式的镜头级规划，并获得了卓越的镜头间一致性。

本文表明，基础LLM与大型推理模型之间的推理差距集中在少量早期规划令牌上。本文提出一种基于分歧的令牌干预方法，仅用推理模型的输出替换这些关键令牌，即可使基础模型的表现几乎与推理模型持平。