💡 站外导读：传统AI视频生成模型常面临‘暴露偏差’的痛点：训练时依赖真实数据帧，但测试时只能使用自身生成的、可能出错的帧，导致训练与推理场景脱节，严重影响生成视频的质量与稳定性。同时，算力需求高和生成时长长也限制了其在实时交互领域的应用。在AIGC视频创作需求爆发、多模态交互成为行业焦点的当下，如何让AI视频生成更快、更准、更贴近真实应用场景，是亟待突破的关键瓶颈。
Self Forcing是什么
Self Forcing 是 Adobe Research 与德克萨斯大学奥斯汀分校联合推出的新型自回归视频生成算法，解决传统生成模型在训练与测试时的暴露偏差问题。通过在训练阶段模拟自生成过程，以先前生成的帧为条件生成后续帧，而非依赖真实帧，弥合训练与测试分布的差异。Self Forcing 引入滚动 KV 缓存机制，支持理论上无限长的视频生成，在单个 H100 GPU 上实现 17 FPS 的实时生成能力，延迟低于一秒。突破为直播、游戏和实时交互应用提供了新的可能性，例如实时生成虚拟背景或特效。Self Forcing 的高效性和低延迟成为未来多模态内容创作的重要工具。
Self Forcing的主要功能
- 高效实时视频生成：Self Forcing 能在单个 GPU 上实现高效的实时视频生成，帧率达到 17 FPS，延迟低于一秒。
- 无限长视频生成：通过滚动 KV 缓存机制，Self Forcing 支持理论上无限长的视频生成。可以持续生成视频内容，不会因长度限制而中断，为动态视频创作提供了强大的支持。
- 弥合训练与测试差距：Self Forcing 在训练阶段模拟自生成过程，以生成的帧为条件生成后续帧，而非依赖真实帧。有效解决了自回归生成中的暴露偏差问题，弥合了训练与测试阶段的分布差异，提高了生成视频的质量和稳定性。
- 低资源需求：Self Forcing 优化了计算资源的使用，能在单张 RTX 4090 显卡上实现流式视频生成，降低了对硬件资源的依赖，更易于在普通设备上部署和使用。
- 支持多模态内容创作：Self Forcing 的高效性和实时性使其能够为多模态内容创作提供支持，例如在游戏直播中实时生成背景或特效，或者在虚拟现实体验中动态生成视觉内容，为创作者提供了更广阔的应用空间。
Self Forcing的技术原理
-
自回归展开与整体损失监督：Self Forcing 在训练阶段模拟了推理时的自回归生成过程，即每一帧的生成都基于模型自身之前生成的帧，而非真实帧。通过视频级别的整体分布匹配损失函数对整个生成序列进行监督，不仅是逐帧评估。模型能直接从自身预测的错误中学习，有效减轻暴露偏差。
-
滚动 KV 缓存机制：为了支持长视频生成，Self Forcing 引入了滚动键值（KV）缓存机制。该机制维护一个固定大小的缓存区，存储最近几帧的 KV 嵌入。当生成新帧时，缓存区会移除最旧的条目并添加新的嵌入。
-
少步扩散模型与梯度截断策略：为了提高训练效率，Self Forcing 采用了少步扩散模型，结合随机梯度截断策略。具体来说，模型在训练时随机选择去噪步骤的数量，并仅对最终去噪步骤执行反向传播。
-
动态条件生成机制：在生成每一帧时，Self Forcing 动态结合两类条件输入：过去时间步已生成的清晰帧和当前时间步的噪声帧。通过迭代去噪完成生成，确保了生成过程的连贯性和自然性。
Self Forcing的项目地址
- 项目官网：https://self-forcing.github.io/
- Github仓库：https://github.com/guandeh17/Self-Forcing
- arXiv技术论文：https://arxiv.org/pdf/2506.08009
Self Forcing的应用场景
- 直播与实时视频流：Self Forcing 能在单个 GPU 上实现 17 FPS 的实时视频生成，延迟低于一秒。适合用于直播场景，例如在直播中实时生成虚拟背景、特效或动态场景，为观众带来全新的视觉体验。
- 游戏开发：在游戏开发中，Self Forcing 可以实时生成游戏场景和特效，无需预先制作大量的视频资源。根据玩家的实时操作生成动态的环境变化或特效，增强游戏的沉浸感和交互性。
- 虚拟现实与增强现实：Self Forcing 的低延迟和高效生成能力能为虚拟现实（VR）和增强现实（AR）应用提供实时的视觉内容。在 VR 体验中实时生成逼真的虚拟场景，或在 AR 应用中实时叠加虚拟元素。
- 内容创作与视频编辑：Self Forcing 可以用于短视频创作工具，帮助创作者快速生成高质量的视频内容。
- 世界模拟与训练：Self Forcing 可以用于世界模拟和训练场景，例如生成逼真的自然环境或城市景观，用于军事训练、城市规划或环境模拟。
📝 站长洞察 (Editor’s Insight)
Self Forcing的核心意义在于它直击了自回归生成模型的‘阿喀琉斯之踵’——暴露偏差。它通过‘自力更生’的训练范式，强制模型在训练阶段就学习从自身可能的错误中恢复，这是一种从底层逻辑上提升模型鲁棒性的深刻思路。滚动KV缓存和少步扩散优化等工程创新，更是将理论可行性推向了实时应用的临界点。尽管17FPS和低于1秒的延迟尚处于‘准实时’范畴，但这已经为直播虚拟特效、游戏动态场景生成等开辟了全新的‘即时化’创作流。这不仅是一个工具升级，更预示着内容生产模式可能从‘离线预制’向‘在线实时生成’范式转变的关键一步，是构建未来沉浸式交互世界的底层能力基石。
