Causal Forcing++：攻克实时交互视频生成的“最后一公里”

TL;DR

清华大学、生数科技与人民大学的研究团队发布了 Causal Forcing++，将自回归视频扩散模型的推理推向了极端的 单帧 1-2 步 时代。通过全新的 因果一致性蒸馏（Causal CD），该模型在显著降低延迟（-50%）和训练成本（-4x）的同时，刷新了交互式视频生成的性能记录。

1. 痛点：为什么实时视频生成这么难？

当前的视频生成模型正从“内容工具”转向“交互式世界模型”（如 Sora, Genie）。然而，实现类似电子游戏的实时交互需要极低的延迟和流式输出。

目前的自回归 (AR) 扩散模型虽然能生成长视频，但面临两个瓶颈：

1. 架构错位：很多方法用双向（Bidirectional）教师模型去初始化自回归学生模型，导致学生在推理时因为看不见“未来”而产生严重的模糊和伪影。
2. 扩展性瓶颈：现有的 SOTA 方法（如 Causal Forcing）需要预生成数万条预测轨迹并存储，这在处理大规模数据（如 80K+ 视频）时简直是存储和算力的噩梦。

2. 核心直觉：从全局回归到局部一致

作者发现，初始化少步数（Few-step）学生模型的本质是学习教师模型的 流映射 (Flow Map)。

以往的 ODE 蒸馏（Causal ODE Distillation）强迫学生一次性从高噪声跳跃到清晰图像，这就像让学生直接背诵高考满分作文；而 Causal Consistency Distillation (Causal CD) 则是让学生学习如何从 $t$ 时间步推导到相邻的 $t-\Delta t$ 时间步，保持局部逻辑的一致性。

关键架构：Causal Forcing++ 管线

图 1: Causal Forcing++ 与前代方法的对比。核心改进在于 Stage 2 的 Causal CD 初始化。

这种方法的物理直觉非常精妙：由于 $\Delta t$ 非常小，优化误差更低，且无需预计算轨迹，实现了 “边练边学” (Online Supervision)。

3. 方法论详解：为何不选 Score Distillation？

论文深入探讨了一个引人深思的问题：为什么在图像领域大火的 DMD (Score Distillation) 在视频 AR 蒸馏中表现不如 CD？

• Mode-Seeking vs Mode-Covering：DMD 倾向于寻找分布的峰值（模式寻求），这虽然能产生很锐利的图像，但在自回归过程中，一点微小的历史误差（History Drift）就会让模型陷入错误模式，导致视频后期景象崩溃。
• 抗漂移能力：Causal CD 学习的是分布覆盖（Forward KL），对历史累积误差更具鲁棒性。

图 2: 实验证明，Causal DMD（右）虽然前几帧很清晰，但后期会发生严重的场景漂移；而 Causal CD（中）保持了极佳的稳定性。

4. 实验战绩：更快、更稳、更强

研究团队在 Wan2.1-1.3B 基础上进行了实验。结果显示，Causal Forcing++ 在极其苛刻的 2-Step Frame-wise 模式下，依然在 VBench 和 VisionReward 等多项指标上碾压了传统的 4-Step Chunk-wise 方法。

图 3: 不同初始化方法在 1-step 模式下的最终生成效果。可以看到 Causal CD 最好地平衡了动态度和视觉质量。

5. 展望：动作控制的世界模型

除了纯文本驱动，Causal Forcing++ 还可以轻松扩展到 动作控制 (Action-conditioned) 领域。通过注入相机姿态（Camera Pose），模型可以变身为一个实时的虚拟环境模拟器。

总结

Causal Forcing++ 的意义在于，它通过“正确且高效”的初始化，弥补了自回归扩散模型中长期存在的训练-推理偏差（Exposure Bias）。它告诉我们：在处理复杂的时序生成时，局部逻辑的一致性比全局结果的堆砌更重要。