📢 转载信息

原文链接：https://www.qbitai.com/2025/10/339556.html

原文作者：量子位

---

Sora 2还在纠结5秒？字节AI视频生成技术实现4分钟“起飞”，画面流畅不崩坏！

从5秒到4分钟，Sora2望尘莫及的分钟级长视频生成，字节AI做到了！

先来看一个前方潜水员拍摄的“真实”海底世界Vlog：

朋友们，看出来了吗？不同于常见的AI生成视频只有短短几秒钟……这个片子全程1分40秒，全部都是AI生成。

这就是字节和UCLA联合提出的新方法——Self-Forcing++，它无需更换模型架构或重新收集长视频数据集，就能轻松生成分钟级长视频，并且不会出现后期画质突然变模糊或画面卡住的“AI感”。

通过利用教师知识和自生成视频片段指导自回归生成，最长生成视频可达4分15秒，而且质量上乘，目前已经开源。

话不多说，再看几个视频效果尝尝鲜。

长达3分钟的无人机视角下的海岸线，效果如下：

将时长拉到极致，4分15秒跟随大象的脚步纵览草原美景。

而相同时长下，此前的长视频生成SOTA模型SkyReels做出的效果是这样的：（仿佛开启了“重生之我成为一只蚂蚁”模式）

Self-Forcing++在短时长上继承了Self-Forcing的高质量画面效果，长时长生成也能实现性能指标全面超越（All kill），视觉稳定性大幅领先CausVid等方法。

或许，AI电影时代离我们已不再遥远……下面我们来深入了解一下。

从5秒到4分15秒：如何实现超长视频生成？

先一起来思考下这个问题：为什么现在的AI视频质量虽然很高，但还是很容易被发现是AI生成的？

其实关键的“漏洞”就在于视频长度。

无论是Sora2、字节Wan，还是腾讯混元、谷歌Veo，生成的视频长度通常只有5到10秒。

即使勉强做出长视频，往往也只有前几秒能看，后面画面便会全面崩坏。

原因在于，传统的扩散视频生成模型依赖Transformer结构，即使通过双向教师模型将知识蒸馏给学生模型，由于模型本身生成长视频的内在限制，误差也会不断累积。

为此，字节提出了Self-Forcing++方法来抑制后期质量下降，它不再完全依赖长视频教师模型训练，而是让模型在自己的错误中成长，进行自我修正。

首先在视频长度优化上，该方法从噪声初始化、蒸馏方式、缓存机制三方面优化了训练过程：

• 反向噪声初始化：让学生模型生成远超5秒（实验中使用了100秒）的干净帧序列，再按扩散噪声调度向序列中重新注入噪声。
• 扩展分布匹配蒸馏：在帧序列生成后，从中随机抽取5秒连续窗口，计算学生与教师模型在窗口内的分布差异（KL散度），然后通过最小化该差异完成训练。
• 滚动KV缓存训练：在训练与推理阶段均采用滚动KV缓存，训练时用该缓存生成远超教师监督时长的序列，用于扩展DMD（Distribution Matching Distillation）计算。

简单来说，就是让LLM（大型语言模型）在犯错-修正-再犯错的循环中，逐渐学会长时间的稳定生成。

另外，由于自回归模型在使用滑动窗口或稀疏注意力生成长序列时，容易出现长时记忆丢失的情况，还需要引入组相对策略优化（GRPO）来改善视频的平滑性。

该方法通过计算每一步的重要性权重，结合当前自回归生成的对数概率总和，衡量生成策略的合理性，再将相邻帧光流的相对大小作为运动连续性代理指标，引导模型优化，最终可有效减少画面突变和异常。

研究人员同时发现，现有长视频评估所使用的VBench基准并不完全准确，一些过亮的“坏视频”也会被误判为好。

为此，他们将Gemini-2.5-Pro作为评委，让模型按照过曝光、误差积累等维度以0-100分评分，从而能更精准地衡量视觉稳定性（Visual Stability）。

这一点在后续的实验结果中也得到了验证。

兼顾时长与质量的完美平衡

研究人员主要设计了两类场景评估，分别对比该方法与基准模型（包括自回归模型与双向模型）在短时长视频质量和长时长生成上的效果。

其中短时长场景（5秒）仍然采用VBench基准，根据946个提示词从16个维度评估生成质量。

结果显示，Self-Forcing++在语义得分（80.37）和总得分（83.11）上均超过NOVA、SkyReels-V2、CausVid等模型，只略低于Wan2.1的总得分84.67。

这表明Self-Forcing++虽然没有专门针对短视频进行训练，但其在短时长场景中仍能保持高视觉质量与语义一致性。

在50秒生成时，视觉稳定性得分为90.94，远超CausVid（40.47）和Self-Forcing（40.12），动态程度更是Self-Forcing得分的1.6倍，文本对齐得分（26.37）也高于多数基准，证明了其在中长时长场景的稳定性。

而在75秒到100秒生成中，文本对齐得分可达26.04、动态程度为54.12，相比CausVid分别提升6.67%和56.4%，相比Self-Forcing则提升18.36%和104.9%。

视觉稳定性得分（84.22）为Self-Forcing（32.03）的2.6倍，且帧级别质量（framewise quality）（60.66）与基准模型相当，说明其在极长时长下仍能保持高保真度和一致性。

长视频生成通常存在的失效模式，如运动停滞、保真度退化，Self-Forcing++均未出现类似情况，视频全程保持连贯运动和稳定亮度及质量。

最终实验验证得出，Self-Forcing++可最长生成4分15秒的视频，比原先的5秒提升近50倍，且在保真度和一致性上优于基线方法。

参考链接：
[1]https://self-forcing-plus-plus.github.io/
[2]https://arxiv.org/abs/2510.02283

---

🚀 想要体验更好更全面的AI调用？

欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。

青云聚合API官网https://api.qingyuntop.top

支持全球最新300+模型：https://api.qingyuntop.top/pricing

详细的调用教程及文档：https://api.qingyuntop.top/about