SGF+ 将自回归视频生成中的上下文写入与去噪参数分离，在 VBench 上提升长时程一致性并支持 24 小时连续生成

作者在 SGF 的第二遍可微重建中分离上下文写入与去噪的梯度贡献，发现两者方向显著不一致：角距离 t-SNE 显示 Attention 与 FFN 中两类梯度分布分离，平均梯度方向夹角在两个模块族中均超过 90 度，且所测 512 对余弦相似度全部为负。 此前 SGF 已通过可微 KV 重建补上历史上下文梯度缺口，但上下文写入与去噪仍共用同一组 DiT 参数；该工作把共享参数本身识别为优化瓶颈，并给出角色级梯度冲突的量化证据。 基于同一 Pass-2 计算内的梯度分解与余弦相似度测量，覆盖 Attention 与 FFN 两个模块族、多个提示与去噪时间步；附录 E 提供逐层梯度分布。

SGF+ 为上下文写入与去噪分配独立参数（上下文写入器与去噪器），二者经因果注意力保持前向耦合，并仅用原始生成目标联合训练，上下文写入通过其对未来预测的贡献获得监督，无需辅助损失、额外视频训练数据或长视频微调。 与 SGF 相比，SGF+ 不改动历史构建或上下文管理机制，而是干预参数共享这一设计维度，因此与历史构造、上下文管理类方法在机制上互补。 训练沿用 SGF 的自生成 rollout、可微重放与短训练窗口；消融显示仅在 Attention 或仅在 FFN 分离参数均不如全模型，说明冲突同时存在于两个模块族。

在 VBench 的 60s 与 240s 生成时程、逐帧与分块两种粒度下，SGF+ 在主体一致性、背景一致性、时间闪烁、运动平滑度、美学质量与成像质量上多数指标优于 SF 与 SGF；Dynamic Degree 是主要例外，作者解释场景跳变、物体形变、主体消失或额外人物出现可产生大但不连贯的表观运动从而抬高该指标。 此前的长视频方法多依赖更长训练时程、长视频微调或推理期上下文管理；SGF+ 在 5s 训练窗口内取得长时程外推收益。 对比在相同 sink-plus-FIFO 上下文策略下进行，60s 使用 VBench-Long 提示、240s 使用 128 条 MovieGen 提示，分数乘以 100；5s 结果见附录 A。

效率上，SGF+ 将生成器参数从 1.4B 增至 2.8B，但保持 SGF 的去噪与上下文写入调用时序，每个 token 在前向中只使用其角色专属参数，因此计算量不翻倍：81 帧推理时间 4.969 秒对 SGF 的 4.962 秒几乎不变，推理显存由 24.85 GB 升至 27.96 GB，训练每步时间增加约 8.2%。 该结果说明角色专属参数化的代价主要是参数存储与少量训练开销，而非推理延迟。 报告了训练峰值/稳定显存、每步训练时间、推理显存与 81 帧推理时间的实测对比。

该结果面向以自回归视频扩散进行流式、长时程生成的场景：在 5s 视频窗口上训练，评估覆盖 5s、60s 与 240s 生成时程，逐帧与分块两种粒度，并展示最长 24 小时连续生成。方法适用于沿用 SGF 自生成 rollout 与可微上下文重建的管线，作者指出其与历史构造、上下文管理、频谱校正、位置适配及更长时程训练在机制上互补。作者还提出角色专属参数化可延伸到教师强制训练的世界动作模型，以及面向 KV 压缩的非对称架构（轻量上下文写入器），这些属于未来工作方向。

梯度冲突的统计基于所测提示与去噪时间步的 512 对样本，附录 G 的局部优化分析表明，小批量比较需要聚合梯度满足负对齐，单样本或选定模块的负对齐不足以确立该条件。Dynamic Degree 的下降与视觉质量的关系依赖作者对场景跳变与形变抬高该指标的解释，读者可结合定性对比自行判断。24 小时连续生成以示例形式呈现，其在不同提示与场景下的稳定性仍需更多观察。此外，本材料为全文解析，部分附录图表内容未在文本中完整展开。