Custom Forcing：自回归视频生成的免训练主体定制

自回归视频模型可实时生成分钟级视频，但从文本产出通用主体而非用户图像指定的特定主体。既有定制方法要么需要昂贵的逐主体优化，要么使用以双向注意力联合处理全部视频帧的预训练条件网络——都不是为因果流式设计的。我们提出Custom Forcing，训练自由方法：把基于参考的锚帧存入冻结自回归视频模型的持久KV缓存。固定锚面临两个限制：简单条件允许身份漂移，文本提示继续偏向通用主体。为此，漂移自适应值放大（DVA）按身份漂移程度缩放参考影响，锚对比引导（ACG）引导生成偏离通用类先验。两分钟rollout中，固定锚的DINO-I从0.58跌至0.42，Custom Forcing保持在0.58-0.62且不减少运动。Custom Forcing还取得高于双向定制方法的主体相似度、优于因果图生视频与参考生视频模型的30秒身份保持，同时每帧生成比这些长视频基线快9.5-28.5倍。