Rolling-WAM：让未来动作分几轮逐渐去噪

图2中滚动窗口、噪声调度和注意力掩码怎样共同减少等待？

1. 1

   给未来片段分配不同噪声水平

   图2a组合Wan2.2 TI2V-5B视频专家与约1B动作专家，视频VAE和文本编码器冻结，视频/动作主干共同训练。默认五个片段、每段16动作，总未来范围80动作；每段对应的视频和动作共享噪声阶段。

2. 2

   先初始化，再循环完成最近片段

   图2b初始化需要完整10步；进入稳态后每轮只做10/5=2步，使第一段动作可执行，远处片段继续保留部分噪声。两步是每轮更新量，不是每个片段从纯噪声到完成总共只需两步。

3. 3

   执行、观察、移窗并保留未来

   执行首段后接入最新相机观察，丢弃已执行段，其他预测继续去噪，尾部补高斯噪声。它减少从零重来，也引入历史预测惯性；突然接触、物体被移动时，保留未来可能需要快速修正。

4. 4

   用非对称掩码控制信息流

   图2c中动作能看全部未来视频，动作之间只在同片段相互注意；视频不能看动作。训练混合80%滚动和20%初始化噪声模式。所谓联合生成并非所有模态双向完全互通，也不是直接学习真实物理转移保证。

以下为作者报告；已阅读 v1 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。

作者项目页与仓库可访问；实际仓库仅README、许可和框架图，明确声明代码及检查点准备中，不能标为实现已开源。

LICENSE占位仓库含Apache-2.0文本，但尚无模型实现与权重可供该许可覆盖；上游组件另有条款，论文原图许可见图注。