TL;DR

在视频生成领域，单纯增加模型“记忆力”（Memory Capacity）并不总能带来更好的结果。由伦敦玛丽女王大学等机构提出的 Relax Forcing 揭示了一个反直觉的现象：在自回归视频生成中，密集的历史缓存反而会“锁死”运动活力。通过将 KV 内存拆解为 Sink (锚点)、Tail (尾部) 和 History (动态历史) 三种职能角色，该方法在不需重新训练的前提下，让长视频的运动动态度（Dynamic Degree）惊人地提升了 66.8%，同时推理速度更快。

痛点深挖：为什么内存越多，动作越僵？

当前的自回归 (AR) 视频扩散模型（如 Llama-Gen, Self-Forcing 等）在生成长视频时，通常采用滑动窗口（Sliding Window）策略。传统观念认为，只要缓存（KV Cache）中保留的历史帧越多，生成就越稳定。

然而，作者通过实验（见图 2）发现了两个核心瓶颈：

1. 冗余限制运动：密集的历史帧提供了过多的相似约束，导致模型在生成下一帧时倾向于“保守”，从而抑制了动作的演变。
2. 职能混淆：早期的帧（远景锚点）与最近的帧（运动连续性）对模型的影响是不同的。现有的方法将它们视为同质的缓冲区，导致模型在长程外推时容易发生语义漂移（Drift）。

核心机制：Relaxed KV Memory (职能化内存)

Relax Forcing 的核心在于 “有所为，有所不为”。它放弃了密集的连续缓存，转而构建了一个结构化的稀疏集合 $M_i=S\cup H_i\cup T_i$：

• Sink (S)：固定选择视频开头的 2 帧。它们就像“定海神针”，确保视频在生成一分钟后，主角的长相和背景场景依然如初。
• Tail (T_i)：保留最近生成的 1 帧。确保帧与帧之间的毫秒级平滑过渡。
• History (H_i)：这是最精妙的部分。模型从中间区域动态筛选 1 帧最具代表性的历史。

放松评分（Relaxation Score）

如何选出这一帧 History？作者提出了一种全新的评分函数： $r(h)=S(h)-\lambda R(h)$ 其中 $S(h)$ 是与 Sink 的稳定性一致性得分，而 $R(h)$ 是与最近 Tail 帧的冗余度得分。通过这种方式，选出的帧既能维持全局特征，又提供了与当前时刻不同的“新信息”，从而激发运动活力。

混合位置编码：解决时间断层的“胶水”

由于 $M_i$ 是非连续的采样，传统的位置编码会导致时间感知的混乱。作者引入了 Hybrid RoPE：

• 对 Tail 使用绝对原始索引，保持当前的时间坐标。
• 对 Sink 和 History，将它们逻辑上“锚定”在 Tail 之前的一个连续区间内。 这种处理确保了模型既能感受到长程的时间跨度，又不会因为采样间隙产生语义跳变。

实验结果：更动感、更高效

在 VBench-Long 的严苛测试下，Relax Forcing 的表现堪称惊艳：

• 运动表现打破天花板：Dynamic Degree 从基线的 36.62 飙升至 65.67。
• 推理效率提升：由于 Attention 的计算量随 Token 数量二次增长，将内存从 18 帧精简到 4 帧后，自注意力计算时间缩短了 2.64 倍，整体推理提速约 26%。

深度洞察与总结

Relax Forcing 给了我们一个深刻的启示：在生成式 AI 中，遗忘有时和记忆同样重要。

• 贡献总览：它通过对内存职能的解耦，解决了长视频生成中“稳而不动”的痼疾，且作为一种 Training-free 的推理策略，具有极强的通用性。
• 局限性：尽管目前在 60 秒级别表现优异，但对于更复杂的非线性叙事（如多个场景切换），单纯靠 4 帧稀疏采样是否足够维持复杂的逻辑一致性，仍值得商榷。
• 展望：这种“结构化稀疏”的思想未来可以扩展到 3D 扩散或多模态大模型中，作为一种更高效的长上下文管理手段。

作者注：本文探讨的方法已在开源社区引起关注，对于追求长视频一致性的开发者，Relax Forcing 提供了一个极低成本的优化路径。