TL;DR

传统的视频生成模型在追求“更长、更稳”的道路上正面临训练成本指数级增长的困境。来自中国科学技术大学等机构的研究团队提出了 Stream-T1，这是首个专为流式视频生成定制的测试时缩放（Test-Time Scaling, TTS）框架。它通过“边搜边生成”的策略，在推理侧动态优化生成轨迹，使 30 秒长视频的时空一致性、运动平滑度和细节质量达到了新的高度，而无需重新训练模型。

背景定位：为何传统的 TTS 在视频上“跑不动”？

在 LLM 领域，像 OpenAI o1 或 DeepSeek-R1 已经证明了“推理时计算”可以换取更强的逻辑能力。但在视频扩散领域，简单移植 TTS 会遇到巨大阻碍：

1. 维度爆炸：一次性去噪几十帧视频的搜索空间太大。
2. 缺乏纠错机制：如果第 10 帧崩了，传统方法只能重画整个视频，极其低效。

Stream-T1 的核心直觉在于：利用流式生成（Chunk-by-chunk）天然的自回归特性。每次只处理一个小块（Chunk），去噪步数少（仅需 4 步左右），这为推理时的候选搜索和动态修复提供了完美的切入点。

核心方法论：主动优化的三大支柱

1. 流式噪声传播 (Stream-Scaled Noise Propagation)

作者发现，与其用纯随机的高斯噪声开始每一块的生成，不如利用“历史经验”。通过球面插值（Spherical Interpolation），将前一块高质量候选分支的噪声先验传递给当前块。这种做法不仅缩小了搜索空间，更在潜空间（Latent Space）层面锚定了时序的连续性。

2. 长短期联合奖励剪枝 (Stream-Scaled Reward Pruning)

为了选出最好的候选分支，Stream-T1 设计了一个双重导航系统：

• 短期得分：使用 ImageReward 评估单帧的审美（解决“画得好不好”）。
• 长期得分：在滑动窗口内使用视频奖励模型评估语义对齐和运动连贯性（解决“动得对不对”）。 通过动态权重融合这两者，模型能有效避免由于过分关注细节而导致的“画面停滞”（Frame Stagnation）现象。

图 1: Stream-T1 整体管线，展示了从噪声传播到奖励剪枝，最后到内存下沉的循环流程。

3. 动态内存下沉 (Stream-Scaled Memory Sinking)

这是本文最具启发性的创新。传统的 KV-cache 管理往往是粗暴的丢弃或固定的 EMA 融合，这会导致视频生成后期出现“语义漂移”。Stream-T1 引入了语义边界检测：

• Discard：质量差的分块直接丢弃，不污染由于后期参考。
• EMA-Sink：场景平滑时，将冗余信息融合进 Sink，节省显存。
• Append-Sink：检测到场景转换或剧烈运动时，将其作为新的“锚点”直接存入缓存，防止模型“忘本”。

实验战绩：全方位的 SOTA 提升

研究人员在 5s（VBench）和 30s（MovieGen prompts）基准上进行了严苛测试。实验结果显示，Stream-T1 在维持背景一致性和运动平滑度方面表现极其强悍。

表 1: 在 30s 长视频生成上的量化对比。可以看到 Stream-T1 在各种一致性指标上全面超越了 LongLive 和 Self-forcing 等基线。

在定性测试中（如图 4 所示），Stream-T1 生成的视频在长时间跨度下依然能保持主体的形状不崩坏，且背景不再随摄像机移动而产生扭曲。

深度洞察与总结

Stream-T1 的核心价值在于变“被动采样”为“主动引导”。它不仅是视频生成领域的 SOTA 刷榜工具，更揭示了一个重要趋势：在大模型时代，推理侧的智能（Test-Time Compute）或许能够弥补训练数据或模型参数量的不足。

局限性：尽管优化了流程，但 Beam Search 带来的额外计算开销在实时场景下仍是不小的挑战。此外，奖励模型本身的偏好偏差（Reward Bias）也可能在极长视频生成中引入累积误差。

未来展望：这种“奖励引导内存”的思路极具普适性，未来有望应用在包括 3D 生成、长文本对话乃至在线强化学习等多个需要长程一致性的领域。