新智元報道

編輯：LRST

【新智元導讀】視頻生成模型總是「記性不好」？生成幾秒鐘后物體就變形、背景就穿幫？北大、中大等機構聯(lián)合發(fā)布EgoLCD，借鑒人類「長短時記憶」機制，首創(chuàng)稀疏KV緩存+LoRA動態(tài)適應架構，徹底解決長視頻「內容漂移」難題，在EgoVid-5M基準上刷新SOTA！讓AI像人一樣擁有連貫的第一人稱視角記憶。

隨著Sora、Genie等模型的爆發(fā)，視頻生成正從「圖生動」邁向「世界模擬器」的宏大目標。

然而，在通往「無限時長」視頻生成的路上，橫亙著一只攔路虎——「內容漂移」（Content Drift）。

你是否發(fā)現(xiàn)，現(xiàn)有的視頻生成模型在生成長視頻時，往往也是「金魚記憶」：前一秒還是藍色瓷磚，后一秒變成了白色墻壁；原本手里的杯子，拿著拿著就變成了奇怪的形狀；

對于第一人稱（Egocentric）視角這種晃動劇烈、交互復雜的場景，模型更是極其容易「迷失」。

生成長視頻不難，難的是「不忘初心」。

近日，來自北京大學、中山大學、浙江大學、中科院和清華大學的研究團隊，提出了一種全新的長上下文擴散模型EgoLCD，不僅引入了「類腦的長短時記憶」設計，還提出了一套全新的結構化敘事Promp方案，成功讓AI在生成長視頻時「記住」場景布局和物體特征。

論文地址：https://arxiv.org/abs/2512.04515

項目主頁：https://aigeeksgroup.github.io/EgoLCD

在EgoVid-5M基準測試中，EgoLCD在時間一致性和生成質量上全面碾壓OpenSora、SVD等主流模型，向構建具身智能世界模型邁出了關鍵一步！

核心痛點

AI為什么會「失憶」？

在長視頻生成中，傳統(tǒng)的自回歸（AR）模型非常容易出現(xiàn)生成式遺忘。

這就像讓一個人蒙眼畫畫，畫著畫著就偏離了最初的構圖。對于第一人稱視頻（如Ego4D數(shù)據集）來說，劇烈的相機抖動和復雜的手物交互，讓這種「漂移」更加致命。

傳統(tǒng)的Transformer雖然有注意力機制，但面對長序列，計算量呈二次方爆炸根本存不下那么多歷史信息；而簡單的滑動窗口又會丟掉早期的關鍵信息。

EgoLCD (Egocentric Video Generation with Long Context Diffusion) 將長視頻生成重新定義為一個「高效且穩(wěn)定的內存管理問題」。

長短時記憶系統(tǒng) (Long-Short Memory)

EgoLCD 設計了一種類似人類大腦的雙重記憶機制：

長期記憶（Long-Term Sparse KV Cache）：不再傻傻地緩存所有Token，而是利用稀疏注意力機制，只存儲和檢索最關鍵的「語義錨點」（比如房間的布局、關鍵物體的特征）。這不僅大大降低了顯存占用，還鎖死了全局一致性。

短期記憶（Attention+LoRA）：利用LoRA作為隱式記憶單元，增強短窗口注意力的適應性，快速捕捉當前視角的劇烈變化（如手的快速移動）。

一句話總結：長期記憶負責「穩(wěn)」，短期記憶負責「快」。

記憶調節(jié)損失 (Memory Regulation Loss)

為了防止模型在訓練時「偷懶」，團隊設計了一種特殊的損失函數(shù)。它強制模型生成的每一幀，都要與從長期記憶庫中檢索到的「歷史片段」保持語義對齊。

這就像給AI戴上了一個「緊箍咒」，一旦它生成的畫面開始「胡編亂造」（漂移），Loss就會懲罰它，迫使它回歸原本的設定。

結構化敘事提示 (Structured Narrative Prompting, SNP)

EgoLCD拋棄了簡單的文本提示，采用了一種分段式的、包含時間邏輯的結構化劇本。

訓練時：使用GPT-4o生成極其詳盡的幀級描述，訓練模型將視覺細節(jié)與文字嚴格對應。

推理時：SNP充當「外部顯性記憶」，通過檢索前序片段的Prompt，引導當前片段的生成，確保故事線和視覺風格的連貫。

性能炸裂

為了公正地評測「不遺忘」的能力，研究團隊甚至專門開發(fā)了一套新指標——NRDP (Normalized Referenced Drifting Penalty)，專門用來懲罰那些「虎頭蛇尾」、越往后質量越差的模型。

實驗結果顯示：

一致性碾壓：在NRDP-Subject（主體一致性）和NRDP-Background（背景一致性）上，EgoLCD取得了壓倒性優(yōu)勢，漂移率極低。

超越基線：相比SVD、DynamiCrafter和OpenSora等頂流模型，EgoLCD在EgoVid-5M基準上的CD-FVD（時序連貫性）和動作一致性指標均為最佳。

極長生成：展示了長達60秒的連貫視頻生成（如一名演講者從黃昏講到深夜），人物衣著、背景樓宇細節(jié)始終如一，沒有發(fā)生形變！

通往具身智能的「黑客帝國」

EgoLCD不僅僅是一個視頻生成模型，它更像是一個「第一人稱世界模擬器」。

通過生成長時程、高一致性的第一人稱視頻，EgoLCD能夠為具身智能（機器人）提供海量的訓練數(shù)據，模擬復雜的物理交互和長序列任務（如做飯、修理）。

正如Sora讓人們看到了世界模型的雛形，EgoLCD則讓「通過視頻教會機器人理解世界」的夢想，變得前所未有的清晰。

參考資料：

https://arxiv.org/abs/2512.04515

秒追ASI

?點贊、轉發(fā)、在看一鍵三連?

點亮星標，鎖定新智元極速推送！