EPFL Stable Video Infinity：Error Recycling 如何解決 AI 影片最大的問題

無人解決的漂移問題

如果你曾使用目前任何模型生成長篇 AI 影片，就會明白其中的挫折感。Sora 2 依你的方案限制在 15 到 25 秒。Runway Gen-4.5 最長 10 秒。Kling 3.0 可達 15 秒。原因不是運算能力或記憶體，而是 時間漂移。

這在本質上類似「傳話遊戲」問題。訊息經過足夠多人轉述後，就會變得面目全非。過去的方法嘗試透過生成更短的片段再將其拼接，來對抗漂移，但接縫依然明顯。其他方法使用階層式生成，先產生關鍵影格，再進行插值，雖然有幫助，卻無法消除核心問題。

Error Recycling 登場

這篇題為 "Stable Video Infinity" 的論文，已獲選為 ICLR 2026 Oral 發表，提出了一個看似簡單卻極具巧思的概念：教導模型處理自己的錯誤。

關鍵洞見如下。在訓練期間，標準影片 diffusion 模型從乾淨的 ground-truth 資料中學習。它們從未看過自己生成的輸出。實際部署時，它們卻突然必須以自身不完美的預測作為輸入，卻不知道如何處理其中的雜訊。

Error recycling 透過修改訓練迴圈來解決這個問題：

這個方法的美妙之處在於其簡潔性。不需要新的模型架構、額外參數，也不需要推論階段的技巧。模型只是在訓練時學會真實部署條件的樣貌。

為何這比你想像中更重要

其影響遠不只是生成更長的貓咪影片。以下是會改變的內容：

數據

VITA Lab 團隊在多種架構與基準測試中驗證了 Stable Video Infinity，結果相當驚人：

Error Recycling 的底層運作方式

對於想了解技術細節的人，以下說明修改後的訓練流程。

標準影片 diffusion 訓練會對乾淨的 ground-truth 影格 x_0 套用雜訊排程 epsilon。模型學習預測雜訊並恢復原始訊號。在推論時，模型以自回歸方式生成影格 t+1，並以對影格 t 的預測作為條件。

訓練階段（乾淨輸入）和推論階段（自行生成的輸入）之間的落差稱為 exposure bias。Error recycling 直接處理這項問題。

在概念上，這與 sequence-to-sequence 模型中的 scheduled sampling 類似，但經過調整以適用於連續 diffusion 框架。VITA Lab 團隊在論文中肯定了這項關聯，同時指出，將 scheduled sampling 直接套用至 diffusion 模型並不可行。他們的貢獻在於使其能穩定用於影片生成的特定設計。

開源優勢

或許最令人振奮的是：程式碼完全開源，發布於 GitHub（vita-epfl/Stable-Video-Infinity）。這代表任何研究實驗室或公司都能將 error recycling 應用於現有的影片模型。

這次開源發布順應 AI 影片研究社群日益成長的趨勢。LTX-2 與 Wan 2.6 等模型已證明，開源方法可以與專有替代方案競爭。

這對產業意味著什麼

時機相當值得注意。我們正處於 AI 影片軍備競賽之中，從 Runway 到 ByteDance，每個主要參與者都在追求更長、更高品質的輸出。Error recycling 可能正是開啟下一代能力所缺少的拼圖。

展望未來

VITA Lab 的工作代表我們思考 AI 影片生成方式的根本轉變。與其打造規模愈來愈大的模型，或加入複雜的推論階段機制，解決方案只是讓模型看到它自己的輸出是什麼樣子。

論文將於 ICLR 2026 發表，數個產業消息來源指出，主要影片模型供應商已在探索整合方式。如果 world models 代表 AI 理解物理與空間的未來，error recycling 則代表 AI 如何隨時間維持這種理解的未來。

來源

• International Conference on Learning Representations：Oral（ICLR 2026 狀態）（International Conference on Learning Representations）
• EPFL VITA 研究人員透過 arXiv：Stable Video Infinity 支援無限長度影片生成，且無額外推論…（EPFL VITA 研究人員透過 arXiv）