01
你以为，AI只要能连续生成一分钟视频，就算解决了「长视频」？
真正的考验，往往发生在主角离开镜头之后。
第一幕，一个穿特定服装的人出现在实验室；第二幕，他离开画面；第三幕再次返回时，模型可能已经给他换了脸、换了衣服，甚至把原本应该回来的物体也一起「忘」了。
原因并不神秘。自回归视频模型通常一段一段生成画面，并用Key-Value（KV）缓存保存上下文。为了把计算量控制住，缓存往往优先保留最近片段。短期动作是连上了，但更早的身份、属性和场景线索也可能被挤出去。
近日，浙江大学与香港大学团队提出LayerRecall：不把整段历史一股脑塞回模型，而是同时回答两个问题——现在该想起什么？这段记忆又该在哪些层里使用？
论文地址：https://arxiv.org/abs/2608.28460
项目主页：https://yixuan-ding-zju.github.io/LayerRecall_Web/
GitHub：https://github.com/Yixuan-Ding-ZJU/LayerRecall
模型权重：https://huggingface.co/Yixuan-Ding-ZJU/LayerRecall
0
评论 (0)