扎根强迫：在自回归视频合成中桥接时间无关语义和近端动力学

自回归视频合成为无限视野生成提供了一条有前途的途径，但从根本上受到三个相互交织的挑战的阻碍：上下文限制导致的语义遗忘、位置外推导致的视觉漂移以及交互式指令切换期间的可控性损失。当前的方法通常孤立地解决这些问题，限制了长期的一致性。我们引入了 Grounded Forcing，这是一种新颖的框架，它通过三个联锁机制将时间无关的语义和近端动力学联系起来。首先，为了解决语义遗忘问题，我们提出了一种双内存 KV 缓存，它将局部时间动态与全局语义锚点解耦，确保长期语义一致性和身份稳定性。其次，为了抑制视觉漂移，我们设计了双参考 RoPE 注入，它将位置嵌入限制在训练流形内，同时呈现全局语义时不变。第三，为了解决可控性问题，我们开发了非对称邻近重新缓存，它通过邻近加权缓存更新促进提示转换期间的平滑语义继承。这些组件协同运作，将生成过程束缚在稳定的语义核心上，同时适应灵活的局部动态。大量实验表明，Grounded Forcing 显着增强了远程一致性和视觉稳定性，为交互式长格式视频合成奠定了坚实的基础。