Optica因果视频模型
2 steps1 pieces2 Sources
【背景】因果视频扩散模型虽适合流媒体生成，但传统上需依赖双向教师模型蒸馏以弥补质量差距。2026年10月8日，Bowen Zheng等人在arXiv发布预印本，提出“条件残差预测”（CRP）训练方法，并推出20亿参数的因果视频模型Optica。该模型无需任何双向教师或复杂蒸馏管线，仅从图像模型初始化，在VBench基准测试中得分82.78，接近同规模双向模型性能。CRP的核心在于降低模型对历史帧的过度依赖：模型先基于当前输入进行无历史预测，历史信息仅作为残差补充。这一机制有效抑制了推理过程中因自身生成错误导致的误差传播。相比现有依赖双向教师的方法，Optica展示了更简单、可扩展的训练路径，为长视频和交互式生成提供了新的技术范式。
How it got here
论文《Conditional Residual Prediction: Improving Autoregressive Video Diffusion without a Bidirectional Teacher》提交至arXiv，作者包括Bowen Zheng、Zhiguang Liu等。
arxiv.org ↗研究团队提出CRP方法，训练出2B参数因果视频模型Optica，实现5秒480p视频自回归生成，VBench得分82.78。
arxiv.org ↗
What is still unsettled
- Optica模型是否已开源代码或权重？
- CRP方法在更长时长（如超过5秒）的视频生成中的稳定性如何？
- 该方法与现有的其他免教师蒸馏方案（如Self-Resampling）相比，计算效率具体提升多少？