Velox：按三维重叠挑选历史注意力

长视频世界模型能否保留全部历史，却只读取当前视角需要的部分？

1. 1

   1 · 把图像块变成空间范围

   图2从历史视频块开始。LingBot-map 提供流式几何，ViPE 相机通过旋转、平移和尺度对齐到共享坐标。每个128-token块用深度10%–90%分位范围形成视锥片段；跨帧块可拆成多个片段。近期可用观测优先，剔除最低20%置信度，避免把每个像素都当成精确三维点。

2. 2

   2 · 用几何增强模型重要性

   对当前块与历史块估计包围体重叠。几何覆盖达到0.9时才采用相应路由，重叠将每层池化QK重要性作乘性增强，最多约3倍；可靠区域预算80块，欠覆盖区域退回累计重要性策略，上限150。前一视频块在预算内，邻接与参考保护块可在预算外，因此80不是最终严格块数。

3. 3

   3 · 真正执行块稀疏注意力

   Gilbert排列及对齐使局部图像更容易落入连续块，Triton内核只执行被选择的块，不是先计算全注意力再遮罩。几何与VAE在同一H200异步工作，采用两块延迟。它缓存历史而不驱逐KV，池化重要性计算也仍随历史增长。

4. 4

   4 · 分清计时边界

   论文将注意力调用、去噪关键路径与几何异步处理分开；预热不计入计时，尾部可跳过无后续用途的几何工作。报告的加速不能直接替换为用户从输入到最终视频的总等待时间。

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。

论文采用CC BY 4.0；本次全文未给出Velox官方实现仓库，链接的Block-Sparse-Attention是依赖，不能代替本方法代码开放证明。

LICENSECC BY 4.0