用于测试时生成视频推理的时间回溯搜索

虽然测试时间扩展彻底改变了 大语言模型 中的推理，但生成视频推理仍然受到单次范例的瓶颈。我们证明，搜索去噪步骤无法挽救逻辑上有缺陷的采样轨迹，因为空间轨迹在扩散过程的早期就已提交。根级 Best-of-N (BoN) 采样同样效率低下：推理错误在时间轴的早期聚集，并且重采样盲目地丢弃经过验证的上游进度。为了解锁视频模型的有效测试时间缩放，我们引入了时间回溯搜索（TBS），它将搜索空间转移到时间轴。 TBS 通过三个核心机制将视频生成转换为迭代生成-验证-重新启动循环：（1）可变 K 调节以从任意干净前缀恢复生成； (2) 时间过程验证，以定位故障并提取有效的重启锚点； (3) 基于前缀的搜索，以重新分配计算以扩展正确的轨迹，而不是根重采样。在算法、导航和机器人领域，TBS 帕累托主导了匹配预算 BoN。在严格的分布外环境中，一次生成崩溃（BoN 为 0.7%），TBS 达到 22.7%，每个解决的事件都源于重新启动的分支。最终，TBS 揭示了视频模型的局部推理能力远远超过了单次部署所表明的能力，从而提供了一个可扩展的测试时间框架来解锁它。