少步自回归视频扩散模型在长推演中会逐渐丢失主体与场景信息，现有蒸馏目标没有把久远历史单独作为约束。History Forcing 用同一自回归教师在有、无额外历史两种条件下的预测之差构造上下文残差，加权后修正 DMD 或 OPSD 的蒸馏目标。1.3B 学生模型在 15 秒生成上取得 VBench 质量分 85.07，在 60 秒生成上取得 VBench-Long 综合分 79.82，并在相机离开再返回的评测中把 PlayWorld 演化质量从 2.35 提到 2.70。
该工作提出 Spatial Memory Intelligence（SMI），首个系统性地用理解模型（多模态大语言模型）为长视频世界模型做空间记忆管理的框架，包含空间聚类、簇内稀疏化、动作感知检索与可靠性感知过滤四项协同原子操作；在多个基线、基准与世界模型骨干上的实验显示，SMI 在记忆稀疏度、生成稳定性与空间一致性上取得全面改进，并表现出有效性与泛化性。
LongLive-Plug 提出一种“一次蒸馏、处处复用”的框架，在基座模型上把单次前向的 CFG、四步采样和长上下文纠错分别蒸馏成可复用的 LoRA，无需下游再训练即可插拔部署到三个骨干家族共 54 个下游视频模型，并在 SCOPE 与 Wan2.2-Fun-5B-Control 上取得优于朴素四步采样、接近逐任务蒸馏的效果。
该工作提出 WorldAttention，一种面向交互式视频世界模型的注意力架构，通过分层 KV 缓存（HKV）在 GPU、CPU、NVMe 多级内存间做页面级存储与两阶段检索，并用混合稀疏注意力（HSA）结合线性全局分支与头自适应块稀疏分支，在 VBench-Long 与 InterVBench 上取得主体一致性 0.9472 与 0.9668，同时实现相对 FlashAttention-3 的 14.02 倍稀疏核加速、整体 2.21 倍端到端加速，并在单张 NVIDIA H100 上维持 22.0 FPS。
已读完全部报道