Infinity-RoPE：从自回归自滚动中涌现可控制的无限视频生成

当前自回归视频扩散模型受限于三个核心瓶颈：（i）由基础模型的 3D 滚动位置嵌入（3D-RoPE）强加的有限时间视野，（ii）在持续的长格式滚动中维持细粒度动作控制的响应缓慢，（iii）无法在单个生成流中实现不连续的电影转场。我们提出 $\infty$-RoPE，一个统一的推理时框架，通过三个相互关联的组件来解决这三个限制：块相对 RoPE、KV 刷新和 RoPE 切割。块相对 RoPE 将时间编码重新表述为移动的局部参考框架，其中每个新生成的潜在块相对于基础模型的最大帧视野进行旋转，而早期块则逆向旋转以保持相对时间几何。这种相对论方法消除了固定的时间位置，从而实现远超基础位置限制的连续视频生成。为获得在不重新编码的情况下进行细粒度动作控制，KV 刷新通过仅保留两个潜在帧——全局汇聚点和最近生成的潜在帧来刷新 KV 缓存，从而确保即时响应。最后，RoPE 切割在时间 RoPE 坐标中引入受控的离散性，实现单个连续滚动中的多段场景转场。综上，$\infty$-RoPE 作为一个无训练的基础，为无限视野、可控且电影化的视频扩散提供了支持。全面的实验表明，$\infty$-RoPE 在 VBench 整体得分上 consistently 超越了以前的自回归模型。