推测强制加速自回归视频生成

少步自回归视频生成器能够实现流式生成，但它们会让每个 token 都经过最终的去噪步骤，而不考虑该 token 实际需要多少细化。我们发现这种统一计算往往是不必要的：许多 token 在初始步骤中就已经与其最终的全步输出非常接近，而另一些 token 则需要一直细化到最后。我们提出 Speculative Forcing，这是一个将中间干净估计视为草稿、并预测各个 token 何时可以被安全提前接受的框架。一旦被接受，该 token 就被冻结为其最终输出，不再经历进一步去噪，同时其缓存的键和值仍可作为上下文供剩余 token 使用。我们探索了两种替代的验证器设计：一种无需训练的验证器，基于与干净内容的相似性以及跨步骤的稳定性；另一种是学习得到的验证器，读取冻结生成器的中间特征来估计每个 token 与其全步输出之间的剩余差距。在短视频、长视频和世界生成任务中，Speculative Forcing 在保持全步采样质量的同时大幅降低了计算量。在 LongLive 上，它以每个 token 约 1.7 个去噪步骤匹配四步生成器，在 41.7 和 37.8 fps 下运行速度提升超过 1.5 倍。在 Lingbot-World 2.0 上，由于相机运动不断改变可见内容，它以每个 token 约 2.5 个去噪步骤保持质量，并以 24.5 fps 运行，速度提升 1.35 倍。