Cycle-World：通过反向预测循环一致性缓解长期视频世界模型中的误差累积
自回归视频模型在长时域生成中面临严重的误差累积（Error Accumulation）和生成漂移（Generative Drift），导致结构崩塌和主体身份丢失。Cycle-World提出基于时间可逆性的框架，通过训练时的循环一致性学习（CCL）和推理时的循环引导推理（CGI）来抑制这些问题。实验显示，在VBench基准上，60秒生成的Total Score达到82.88，优于LongLive的82.62，且在VideoPhy物理一致性评估中表现最佳。需注意CGI策略可能增加推理延迟，且循环损失权重需仔细调优。