Flex-Forcing：迈向统一的自回归和双向视频扩散模型

大规模生成模型的最新进展极大地推动了视频生成，但现有方法仍受限于僵化的推理范式。双向扩散模型在全局连贯性和视觉保真度方面表现出色，但推理速度较慢；而自回归模型则提供了高效的流式生成，但代价是长距离一致性和暴露偏差。我们引入了Flex-Forcing，一个统一的训练和推理框架，它使视频扩散模型能够在双向和自回归生成模式下无缝运行。其核心思想是一种在时间轴和去噪步骤上共同定义的灵活分块机制。这种设计允许模型 (1) 根据不同的设备预算执行灵活分块，(2) 在块之间执行双向推理以进行全局结构规划，同时在每个块内自回归生成帧以实现高效细致的合成，以及 (3) 在没有严格因果约束的情况下执行任意顺序、任意时间步的自回归生成。在多个视频生成基准上的大量实验表明，Flex-Forcing在视频质量、长视频稳定性方面始终优于采用固定推理调度的强基线，同时提供了更快的推理速度。