Looking Ahead：让当前视频表征预测更远的未来
训练时增加未来块预测，能否减少视频模型依赖局部重复？
Future Chunk Prediction 在自回归视频模型的中间层增加辅助分支，要求当前块的表征预测不同距离的未来块，推理时移除分支。Physics-IQ上的一致性提升支持这类训练约束，但结果仍是视频续写指标，不等于获得可控的物理模拟器。
图解主要方法
训练时增加未来块预测，能否减少视频模型依赖局部重复？
- 1
第一步：从当前块提取跨层状态
图1下方的自回归主干处理历史干净块和当前带噪块。作者从四个中间层融合隐藏特征，经MLP投影与逐token的AdaLN调制，形成未来预测的条件。这样要求当前表征携带演化信息，而不只借相邻视频帧的冗余还原当前画面。
- 2
第二步：并行预测不同时间偏移的块
图1上方不同颜色的未来目标由独立的三层DiT辅助分支预测，各自读取同一源块表征与目标噪声。辅助分支不额外读文本，也不顺次读前一个未来分支的结果；相比链式预测，这降低了从中间带噪目标泄漏未来信息的可能。
- 3
第三步：用未来监督约束主干，推理时删掉分支
训练将原本的视频目标与辅助未来预测目标共同优化。多个未来偏移可并行计算，仍增加训练开销；完成训练后保留主干、移除辅助分支，按原自回归流程生成。训练期成本与推理期架构开销必须分开，不能把移除分支说成训练免费。
- 4
第四步：用受控续写评估演化是否更一致
模型基于Wan的1.3B和5B设置，输入图像或视频前缀续写。论文用Physics-IQ Verified比较相同基础模型的Teacher Forcing与FCP；附录提出利用辅助预测加速推理的可能性，但没有完成验证，不能当成已实现结果。
实验与证据
已阅读正文与全部公开附录，核对实验条件与原图；未独立复现。
来源证据1.3B训练20k步、8 GPU、85帧768×432/16fps；5B训练25k步、32 GPU、121帧1024×576/24fps。数据包含内部视频及WISA约80k片段。 实验设置与附录A ↗
我的解读比较有受控基线，但完整训练数据没有都开放。公开演示数据不能代替原训练分布，复现难度应与代码是否开放分别看。
来源证据198个测试案例，5秒视频、四个种子42–45、50步UniPC。1.3B从27.6到30.9；5B图像续写30.4→33.8，视频续写40.6→44.4。 表1–2，Physics-IQ Verified ↗
我的解读多个条件下改善支持未来监督有效，但分数不是物理定律误差，也不是操作任务成功率。没有动作条件或闭环规划实验支持直接用于机器人控制。
来源证据文中给出按估计FLOPs匹配的训练预算比较，并分析并行与链式分支；更远偏移和组合的收益并非无上限。 图4与附录B–C ↗
我的解读FLOPs匹配不是实测相同墙钟成本。辅助预测带来更好的表征这一解释合理，但不能跳过数据、监督范围与优化差异的作用。
开放情况与使用许可
2026-10-25核查官方仓库含训练与推理实现，Apache-2.0许可；官方模型仓库实际列出1.3B/5B的TF与FCP四份model_ema.pt，模型卡及LICENSE标Apache-2.0。论文复现说明中的源码包范围不能覆盖当前已补放出的权重状态；公开demo数据不等于全部内部训练数据。
LICENSE论文及原图 CC BY 4.0；资源许可另见开放说明
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
我的判断：把未来预测作为训练时的结构约束，同时保持推理主干不增加分支，适合探索视频模型的动力学表征，不必先设计显式物理状态。
反方 · 哪些结论还不够
评价主要依赖视频一致性基准，内部训练语料限制严格复现；更好看或更符合基准的续写不等于可外推受力、碰撞和干预结果。训练计算收益也未用墙钟直接证明。
综合判断
可作为提升自回归视频物理一致性的训练方案；若用于世界模型规划，还须增加动作干预、状态误差和闭环效果验证。
我会先做的验证
未执行的验证方案：固定相同可公开数据、种子与总训练GPU小时，对照TF、单偏移和多偏移FCP；除Physics-IQ外，构建碰撞、遮挡后再出现及反事实动作测试，记录位置误差、长期漂移和生成耗时。