这项由英伟达、南加州大学（USC）与麻省理工学院（MIT）结合实现的钻研 ，以预印本大局于2026年6月1日颁布在arXiv平台 ，编号为arXiv:2606.02553。感兴致的读者能够通过该编号在arXiv上检索齐全论文。
你有没有看过那种动画片 ，主角在第三集明明是棕色眼睛 ，到了第十集却莫名造成了蓝色眼睛？造作团队可能只是在某一帧出了点幼差错 ，了局越往后画 ，误差越大 ，最后连主角的脸型都变了样。此刻 ，AI在天生长视频时 ，面对的正是同样的麻烦——只不外它的"忘却"速度更快 ，往往几秒钟之后 ，画面里的主角就起头"变脸"了。
这个看起来有些滑稽的问题 ，其实是当前AI视频天生领域最辣手的技术挑战之一。钻研团队为此提出了一个名叫LongLive-RAG的新步骤 ，主题思路只有一句话：让AI在天生新画面的时辰 ，可能自动"翻阅"自己之前画过的内容 ，找出最有关的那一页 ，而后对照着持续画。
要理解这个问题 ，能够用一个写幼说的迸作来切入。如果你在写一部连载幼说 ，划定自己每次只能看着最近写的五页内容往下续写 ，而不允许翻回前面的章节。刚起头 ，主角叫张三 ，身高一米八 ，穿戴红色夹克�５切戳硕持� ，你在第十八页不幼心把他写成了"矮个子" ，之后你就只看得到这个谬误的描述 ，越往后写 ，张三就越矮 ，红夹克也不见了 ，最后造成了一个齐全陌生的人物。
AI天生视频的方式 ，性质上就是这样一种"接龙游戏"。它按挨次、一块一块地天生视频片段 ，每天生一个新片段 ，就把上一个片段当作参考。为了节俭推算资源 ，系统通常只保留最近的几个片段作为"影象窗口" ，更早的内容会被直接抛弃。这套机造叫做"滑动窗口把稳力" ，它的高效性毋庸置疑 ，但致命缺点也因而而来——一旦"影象窗口"里的内容出现了误差 ，后续天生的所有内容都只能以这个误差为基础持续"错"下去 ，并且错得越来越严害。钻研团队把这个景象形象地称为"谬误堆集"和"身份漂移"。
现有的解决规划大体分三类。第一类是在影象窗口开头插入几个"锚点" ，也就是把视频最起头的几帧强造保留下来 ，让AI始终能看到主角最初的样子。第二类是对地位编码进行刷新 ，让AI在数学层面上可能处置更长的序列。第三类是把老旧的汗青帧"压缩打包"成几个简化的影象符号 ，塞进窗口里。然而这三种步骤都有各自的短板：锚点是固定的 ，不愿定是当前最必要参考的内容；地位刷新解决不了内容自身的漂移；而压缩打包的过程中 ，好多关键细节（好比角色特有的幼作为、布景里某个怪异的物件）往往会迷失 ，压缩版的影象底子无法还原原始的视觉质量。
钻研团队换了一个齐全分歧的角度来看这个问题。他们意识到 ，AI在天生过程中其实已经堆集了大量的"汗青片段" ，这些片段就像一个巨大的图书馆 ，里面存着视频每一个功夫点的齐全状态。问题不是汗青不在了 ，而是AI找不到它、用不上它。
因而 ，LongLive-RAG的设计思路就造成了：给AI配一个聪明的图书馆治理员。每当AI要天生下一个视频片段之前 ，这个治理员会拿着"最新片段"当作检索关键词 ，在整个汗青图书馆里急剧翻找 ，把那些跟当前内容最有关的汗青片段调出来 ，放到AI的"桌面"上供它参考。这样一来 ，即便最近几帧出现了误差 ，AI依然能够借助更早的、保留状态更正确的汗青片段来"纠正"自己的创作方向。
这个类比中有一个细节极度沉要：治理员取出来的 ，是汗青片段的原始齐全版本 ，而不是某个压缩提要。AI在天生新内容时 ，直接看着这些原始的汗青画面思虑 ，不必要经过任何中央层的翻译或还原。这一点与"压缩打包"规划有性质区别——后者相当于给AI看的是某个副手手写的几句提要 ，而LongLive-RAG让AI看的是原汁原味的页面自身。
在系统架构层面 ，LongLive-RAG守护着两个并走运行的数据库：一个存储的是每个汗青片段的"索引卡"（即压缩后的检索向量） ，另一个存储的是对应的"原始内容"。检索时用"索引卡"急剧定位 ，找到之后把"原始内容"直接提交给天生模型使用。这套设计使得检索速度极快 ，同时又保障了参考内容的质量不打折扣。
光有图书馆还不够 ，还得有一套高效的检索系统。这里有一个辣手的问题：在陆续的视坡凤 ，相邻的两帧画面往往高度类似 ，就像统一首歌里陆续两个节拍。若是检索系统只是单一地找"最类似的汗青片段" ，它很可能每次都只能找到"最近几帧"——而这些内容早就在当前的影象窗口里了 ，检索它们毫无意思。
为相识决这个问题 ，钻研团队专门设计了一种叫做"窗口功夫差距损失"的训练步骤。这个名字听起来复杂 ，背后的路理其实相当直观：检索系统在训练时 ，会被明确奉告"不要把功夫上紧挨着的片段以为是分歧的器材" ，换句话说 ，相邻片段之间的类似度会被报答压低 ，逼着检索系统去关注那些真正有内容差距的汗青时刻。
与此同时 ，钻研团队还加了一个"轨迹滑润损失"。若是检索系统的判断太过跳跃——今天感触片段A最沉要 ，明天忽然感触片段Z才是关键——这种不不变的检索了局反而会让AI天生的视频越发混乱。轨迹滑润损失的作用就是让检索系统的"把稳力变动"越发平缓 ，就像一列火车不会忽然急刹车 ，而是缓慢、连贯地调整速度。
最终 ，检索系统的训练指标由三个部门组成：沉建损失掌管保障"索引卡"忠诚纪录了画面内容；窗口功夫差距损失掌管让分歧功夫的内容在检索层面有足够的分辨度；轨迹滑润损失掌管保障检索了局随功夫推移维持不变。三者缺一不成 ，相互共同能力形成一套真正好用的检索系统。钻研团队通过可视化对比（也就是论文中的图3）展示了这三个组件各自的作用 ，就像在热力争上看温度散布一样直观：只用沉建损失时 ，相邻片段的类似度高得像一片深绿色的宽带；加了功夫差距损失后 ，这条宽带变窄了；再加上滑润损失 ，整张图就变得法规而有结构了。
齐全的工作流程能够用一次精心筹备的手工绘画来类比。每当AI要起头画下一段视频之前 ，它会先做三件事：第一 ，用刚刚实现的那段视频的"索引卡"去图书馆检索 ，找出汗青上最有关的K个片段（默认K=6）；第二 ，把这K个汗青片段的原始内容、加受骗前影象窗口里的最近几个片段 ，以及视频开头的"锚点片段" ，一路组合成齐全的参考资料；第三 ，把这份参考资料交给主题天生模型 ，让它在充分参考的基础上实现新片段的天生。
有一个细节值得出格关注：为了预防检索系统"懈怠地"总是返回最近的几个片段（它们已经在影象窗口里了 ，沉复检索毫无意思） ，系统设置了一个"近期�；で�" ，划定检索时自动跳过最近的R个片段（默认R=5）。这就像图书馆的划定：借书的人带着今天刚看过的书来找有关资料 ，治理员会自动推荐那些他没看过的旧书 ，而不是把他刚放下的书再塞回他手里。
从推算开销的角度来看 ，LongLive-RAG的额表职守极度幼。在天生一段120秒的视频时 ，整个检索过程总共只增长了490毫秒的功夫：其中480毫秒用于对每个汗青片段进行"索引卡"编码 ，10毫秒用于现实的类似度搜索和前K名排序。相迸宗视频天生自身动辄数幼时的推算功夫 ，这点开销险些能够忽略不计 ，就像在一顿必要烹饪三幼时的大餐里 ，多花了三十秒功夫翻阅菜谱。
钻研团队在三个分歧的视频天生"底座模型"上测试了LongLive-RAG ，别离叫做Causal-Forcing、Self-Forcing和LongLive。每个底座模型又与三种对譬喻案进行了比力：原始模型自身、加了地位编码刷新的版本（∞-RoPE）、以及加了压缩汗青影象的版本（Deep Forcing）。测试覆盖了30秒、60秒和120秒三种视频长度 ，一共128个文字提醒词 ，评估尺度选取的是业界通用的VBench-Long评分系统 ，从主体一致性、布景一致性、作为流畅性、画面动态水平、美学质量和图像质量六个维度打分。
从最综合的指标"均匀排名"来看 ，LongLive-RAG在所有三个底座模型、三种视频长度的组合中 ，都获得了最低的排名数值——排名越低代表综合阐发越好�；痪浠八� ，不论是用哪个底座模型、天生多长的视频 ，加上LongLive-RAG之后的阐发都是同类步骤里最好的 ，无一例表。
从具体数字来看 ，以Self-Forcing底座模型天生120秒视频为例 ，加了LongLive-RAG之后 ，主体一致性从96.12分提升到97.64分 ，布景一致性从95.32分提升到96.40分 ，图像质量从61.57分提升到64.16分。单看这些数字可能感触提升不大 ，但要知路这是在120秒这么长的视坡凤维持的一致性 ，并且这些评分指标自身就已经趋近于100分的上限 ，每提升一分都必要支出相当大的致力。
出格值得关注的是一个对比了局：在120秒视频测试中 ，使用Deep Forcing（也就是压缩汗青影象规划）的Self-Forcing模型 ，动态水平评分从43.39急剧跌落到了15.23 ，注明这种步骤在极长视频中会导致画面变得"僵化"甚至近乎静止。而LongLive-RAG在同样前提下 ，动态水平维持在44.10 ，险些与原始模型吃旖。这个对比清澈地说了然"压缩打包"规划的价值：为了记住更多汗青 ，它就义了视频的动态性；而LongLive-RAG由于检索的是原始齐全内容 ，没有这个问题。
定性的视觉对比同样印象深刻。在论文的图4中 ，钻研团队展示了统一个提醒词在四种步骤下天生的30秒视频截图。原始模型和∞-RoPE规划的视频 ，在中后期会出现显著的色调漂移（正本暖色调的场景造成了冷色调）、主角的服装和肤色产生变动 ，甚至出现"鬼魂帧"（统一画面里忽然多出一个半通明的沉影角色）。Deep Forcing的视频在整体色彩上阐发尚可 ，但布景细节吞吐且不连贯。LongLive-RAG的视频则重新到尾维持了最不变的角色表观和布景细节。
钻研团队还做了一系列"拆零件"测试 ，逐一验证每个设计组件的贡献 ，这在学术钻研中叫做消融尝试 ，能够理解为"若是把这个零件拆掉 ，机械还能跑多好"。
首先测试的是检索系统自身的沉要性。若是随机检索汗青片段（不用任何智能排序 ，纯凭命运） ，主体一致性评分为94.54 ，布景一致性为94.32�；怀傻ヒ坏木瘸鼗枋龇ㄒ恢殖＜耐枷裉氐闾崛〔街瑁� ，略微提升到94.77和94.49。只用沉建损失训练的检索编码器（不加功夫差距和滑润损失） ，主体一致性进一步提升到94.82。加了功夫差距损失之后 ，布景一致性和作为流畅性有所改善。而使用齐全三个损失的版本 ，主体一致性达到95.43 ，图像质量达到70.07 ，全面超过所有简化版本。这个了局印证了三个损失组件各司其职、缺一不成的设计哲学。
其次测试的是K值（即每次检索几个汗青片段）的影响。在总把稳力预算固定的前提下（意味着检索更多汗青片段就必须削减当前影象窗口的大�。� ，K=2时主体一致性为94.43 ，K=4时为94.78 ，K=6时达到峰值95.43——而K=8时 ，主体一致性反而大幅下滑到90.56 ，布景一致性也降至93.07 ，图像质量更是跌到60.02。这个倒U形曲线注明 ，检索的汗青片段不是越多越好：太少了提供不了足够的长程参考 ，太多了又会挤占当前影象窗口的空间 ，导致视频陆续性断裂。K=6是在"长程参考"与"本地陆续性"之间获得的最佳平衡点。
钻研团队还做了辅助性的视觉说话模型（VLM）评估 ，请Gemini 3.1-Pro这样的多模态AI对天生视频进行打分（满分5分） ，从另一个角度交叉验证了VBench-Long的结论。了局显示 ，Causal-Forcing原始模型得2.60分 ，∞-RoPE规划提升到4.10分 ，Deep Forcing为3.55分 ，而LongLive-RAG达到4.70分 ，同样是最高分。在Self-Forcing和LongLive底座模型上 ，LongLive-RAG别离得到4.45分和4.75分 ，也都是同类步骤中的最高水平。
这是一个值得单独诠释的设计选择 ，由于直觉上可能会有疑难：既然我们想找类似的画面 ，为什么不直接比对解码出来的现实视频帧 ，而是要在一个压缩的"潜空间"里检索呢？
原因有几个层面。从效能角度来说 ，现代AI视频天生系统通常在一个叫做VAE潜空间的压缩空间里工作 ，等所有片段都天生结束之后 ，才统一解码成真实画面。若是要在每个片段天生后立刻解码、提取像素级特点、再做检索 ，就相当于在烹饪过程中每炒一路菜就要把厨房彻底洗濯一遍 ，效能极低。
从质量角度来说 ，潜空间的向量自身就已经蕴含了丰硕的视觉语义信息 ，并且这些信息与天生模型的内部说话是"同母语"的 ，不必要额表翻译。相比之下 ，用现成的图像特点提取工具（好比论文中提到的DINO特点）来处置解码后的现实画面 ，固然语义丰硕 ，但与天生模型的内部状态存在肯定的"说话隔阂" ，并且这类工具往往对功夫上相邻的帧过于敏感 ，检索了局依然会集中在最近的几帧 ，无法有效找到功夫较远但内容有关的汗青片段。钻研团队通过论文中的图5展示了这个问题：用DINO特点的类似度热力争 ，依然是一条紧贴对角线的深色带 ，注明它检索到的大无数是近邻 ，而不是有效的远程汗青。
此表 ，从系统一致性的角度来看 ，同样的压缩空间被三个分歧的底座模型共享（由于它们都使用统一套WAN VAE编解码器） ，这意味着只必要训练一个检索编码器 ，就能为三个分歧的底座模型服务 ，无需针对每个模型单独训练 ，大幅降低了部署成本。这也是LongLive-RAG宣称是"通用框架"的底气地点。
说到底 ，LongLive-RAG做的事件 ，是给AI视频天生系统加装了一套"图书馆检索服务"。它不扭转AI自身的绘画能力 ，也不压缩汗青影象 ，而是让AI在每次动笔之前 ，有机遇翻阅自己从前画过的所有内容 ，找出最能援手当前创作的那几页 ，而后对照着持续画下去。这套机造在120秒这样的极长视坡凤成效尤为显著 ，并且检索自身的推算开销只占总天生功夫的极幼一部门。
当然 ，这个步骤也有它的天堑。钻研团队在论文末尾婉转地指出 ，LongLive-RAG成立在一个固定的底座模型之上 ，它能做的只是更好地选择和利用汗青内容 ，最终视频质量的天花板依然由底座模型自身的能力决定�；痪浠八� ，若是底座模型正本就画不好 ，更聪明的图书馆检索服务也无法让它突破自身的能力上限。这是一个恳切而沉要的提醒。
归根结底 ，这项钻研通知我们 ，AI的"影象"问题并不愿定必要通过"记住更多"或"记住更好"来解决 ，有时辰 ，"在正确的机遇找回正确的影象"才是更优雅的答案。对于那些对视频天生技术或AI影象机造感兴致的读者 ，齐全论文能够在arXiv上通过编号2606.02553找到 ，代码也已开源在GitHub上（搜索qixinhu11/LongLive-RAG即可）。
A：LongLive-RAG使用一个专门训练的轻量级编码器 ，将每个汗青片段压缩成1024维的向量 ，而后用余弦类似度推算当前片段与汗青片段之间的有关水平 ，选出最有关的前K个汗青片段作为参考。这个编码器通过三个损失函数共同训练：沉建损失保障内容保真度 ，窗口功夫差距损失让相邻片段在检索层面有足够分辨度 ，轨迹滑润损失保障检索了局随功夫维持不变。
A：不会。在天生120秒视频的齐全过程中 ，LongLive-RAG引入的检索额表开销总共只有490毫秒 ，其中编码汗青片段占480毫秒 ，类似度搜索仅占10毫秒。与视频天生自身动辄数幼时的推算功夫相比 ，这点额表开销微乎其微 ，险些能够忽略不计。
A：尝试批注 ，在总把稳力预算固定的前提下 ，K=6（即每次检索6个汗青片段）成效最佳。检索太少（K=2）提供的长程参考不及 ，检索太多（K=8）则会挤占当前影象窗口的空间 ，导致视频陆续性降落 ，主体一致性评分从95.43大幅跌至90.56。K=6是长程参考与本地陆续性之间的最佳平衡点。
《最棒的男高中生》BY于刀鞘这也改变了 Anthropic 审查代码的方式。如今，提交到代码库中的变更会先由一个自动化的 Claude 审阅器读取，它会在代码合并之前检查 bug、安全漏洞以及其他缺陷。利用这一工具，我们做了一次回溯分析，发现：如果过去对代码库中的每一次改动都进行自动化 Claude 审查，那么 claude.ai 过往事故背后大约三分之一的 bug，本来都可以在进入生产环境之前就被拦截下来。写下那些代码的工程师，本身已经是世界上最擅长构建这类系统的人之一。如今，Claude 已经能抓住他们遗漏的错误。记者走访多家瑞幸咖啡门店发现，类似情况并非个例。记者购买了两杯咖啡，一杯去冰，一杯不去冰。“去冰款”的咖啡容量为整杯的三分之二左右，“不去冰”款的咖啡里三分之一左右是冰块。有不少消费者在社交平台吐槽，一位网友晒出的对比图显示，同一款饮品，正常加冰时冰块几乎占满杯体，而去冰后，咖啡量仅到达杯身的一半略多。记者注意到，2026年3月瑞幸推出新品“椰子蛋”被指量少时，客服同样表示“已上报反馈”，但至今配方未有改变。《最棒的男高中生》BY于刀鞘《苏秘奥秘花圃的水乳》随着“人工智能+”行动深入推进，人工智能赋能的经济形态、商业模式越来越丰富。2024年，第三产业中20.2%的规模以上企业应用了人工智能。金融、物流、教育、法律等多个专业服务领域正在利用深度学习、智能调度、语言文字处理等人工智能技术，为消费者提供精准高效的决策支持与个性化的解决方案。值得一提的是，元宝App的体验优化计划默认关闭，仅当用户主动开启时，输入数据才会被用于模型优化。同时，元宝隐私政策提到，用户调整或撤回前述授权不影响产品使用。
20260608 ? 《最棒的男高中生》BY于刀鞘《轻盈》之后，莫里斯又创作了两本自传性的漫画，包括讲述童年的《我的辽阔天地》，以及由她在日本驻地的经历启发，关于女性韧性的《女孩与大海》。作为一名“新闻插图”出身的漫画家，莫里斯本不想过多地关注自己的生活，但恐怖袭击事件使她意识到，她需要用画笔留下更多在自己生命中流逝的人与事物，比如朋友、家人，还有他们的乡间房屋。在“个人三部曲”中，莫里斯画画的节奏慢了下来，原本尖锐的笔触变得圆润、温柔。“我就这样找到了自己的风格。这一切都是自然发生的，伴随着相遇的机缘。”《夜班护士》大终局免费旁观电视剧回忆蓝衣军团岁月，展望未来希望：尤文图斯足球战略总监乔治·基耶利尼也出席了在帕尔马举行的意甲节开幕论坛“艾米利亚-罗马涅，体育谷”。这位斑马军团高管回顾了意大利未能晋级美国、墨西哥和加拿大世界杯的经历，回忆了2021年作为队长赢得欧洲杯的往事，还谈到了克里斯蒂亚诺·罗纳尔多和莱昂纳多·博努奇——他曾在尤文图斯时期与他们共用更衣室。
20260608 ? 《最棒的男高中生》BY于刀鞘在张延所建立的韩国华人股票群（KakaoTalk群）中，参与者多为业余投资者，仍以外出务工的中国人为主，其中亦有投资千万韩元以上的投资者。《OVERFLOW动漫旁观》其次，傲云并非单纯依赖交通硬件，而是将通勤便利性嵌入区域价值升维逻辑：其所在孙河板块已被纳入朝阳区重点发展区域，主干路网持续优化，城市更新规划明确，且同步推进中央湖湿地公园等生态配套落地，形成“高效通达+低密静谧+品质界面”的稀缺平衡。反观排名首位的逸翠园三期（9.75分），虽轨交距离更优（700米）、路网更成熟，但受限于朝青板块长期存在的交通拥堵与噪音干扰问题，通勤体验稳定性弱于傲云；而长安府虽坐拥副中心战略红利，但6.5分的交通得分暴露其“伪地铁盘”本质——950米步行距离已逼近舒适阈值，且无高速直连，通勤韧性明显不足。
京公网安备11010202000001号
