EPFL Stable Video Infinity：错误循环如何解决 AI 视频最大的难题

无人解决的漂移难题

如果你尝试过使用任何当前模型生成长篇 AI 视频，就会明白其中的挫败感。Sora 2 依据套餐限制在 15 至 25 秒。Runway Gen-4.5 最长为 10 秒。Kling 3.0 可达到 15 秒。原因不是算力或内存，而是时间漂移。

这在本质上类似于“传话游戏”问题。信息经过足够多人耳语传递后，就会变得无法辨认。以往的方法试图通过生成更短的片段再将其拼接来对抗漂移，但接缝清晰可见。另一些方法采用分层生成（先关键帧，后插值），这有所帮助，但并未消除核心问题。

错误循环登场

这篇题为 "Stable Video Infinity"、被接收为 ICLR 2026 Oral presentation 的论文，提出了一个看似简单却极具巧思的理念：教会模型处理自己的错误。

关键洞见如下。在训练期间，标准视频扩散模型从干净的真实数据中学习。它们从未见过自己的生成输出。部署后，它们突然必须将自身不完美的预测作为输入，却不知道如何处理其中的噪声。

错误循环通过修改训练循环解决这一问题：

这种方法的美妙之处在于其优雅。没有新的模型架构，没有额外参数，也没有推理时技巧。模型只是在训练中学习真实部署条件的样子。

为什么这比你想象的更重要

其影响远不止生成更长的猫咪视频。以下是发生的变化：

数据表现

VITA Lab 团队在多种架构和基准上测试了 Stable Video Infinity。结果令人瞩目：

错误循环的底层工作原理

对于想了解技术细节的人，以下是修改后训练流程中发生的内容。

标准视频扩散训练使用施加于干净真实帧 x_0 的噪声调度 epsilon。模型学习预测噪声并恢复原始信号。在推理时，模型以自回归方式生成帧 t+1，其条件是对帧 t 的预测。

训练（干净输入）与推理（自生成输入）之间的差距称为暴露偏差。错误循环直接解决了这一问题。

从概念上讲，这类似于序列到序列模型中的计划采样，但适配到了连续扩散框架。VITA Lab 团队在论文中指出了这一关联，同时也说明将计划采样直接应用于扩散模型并不可行。他们的贡献在于使其能够稳定用于视频生成的特定公式。

开源优势

或许最令人兴奋的一点是：代码已在 GitHub 上完全开源（vita-epfl/Stable-Video-Infinity）。这意味着任何研究实验室或公司都可以将错误循环应用到其现有视频模型中。

此次开源发布延续了 AI 视频研究社区日益壮大的趋势。LTX-2 和 Wan 2.6 等模型已经表明，开源方案能够与专有替代方案竞争。

这对行业意味着什么

时机引人注目。我们正处于一场 AI 视频军备竞赛之中，从 Runway 到 ByteDance，每个主要参与者都在追求更长、更高质量的输出。错误循环可能正是开启下一代能力所缺失的关键环节。

展望未来

VITA Lab 的工作代表了我们对 AI 视频生成思考方式的根本转变。与其构建越来越大的模型，或增加复杂的推理时机制，解决方案只是让模型看到自己的输出是什么样子。

该论文将在 ICLR 2026 展示，多家行业消息来源表明，主要视频模型提供商已经在探索集成。如果世界模型代表 AI 如何理解物理与空间的未来，那么错误循环则代表 AI 如何随时间保持这种理解的未来。

来源

• International Conference on Learning Representations：Oral（ICLR 2026 状态） (International Conference on Learning Representations)
• EPFL VITA researchers via arXiv：Stable Video Infinity 支持无限长度视频生成，且无需额外推理… (EPFL VITA researchers via arXiv)