自回归视频扩散模型为流式生成开辟了新可能，但在长时间滚动生成中，它们常常出现两种退化：静态场景布局发生漂移，而旨在提升空间稳定性的机制又往往会抑制运动，导致水、火、烟等自然流动趋于停滞。这篇来自 arXiv 的论文《Steady-Forcing: Balancing Spatial Persistence and Motion Continuity in Long-Horizon Nature Video Diffusion》专门研究了固定镜头长时程自然视频生成中的这种稳定性-运动权衡。作者指出，在固定镜头设置下，这两种失败模式比移动镜头场景更容易被清晰区分，因此为方法设计和评估提供了更可控的切入点。
论文提出了 Steady-Forcing，一个结合记忆与训练的框架。其核心组件包括：持久视觉锚点（V-Sink），用于在长序列中保持背景身份；指数移动平均运动记忆（EMA-Sink），用于维持运动的连贯性；块相对时间编码，帮助模型理解时间结构；周期性缓存净化，以减轻误差累积；以及从 Wan2.1-14B 教师模型蒸馏运动奖励先验，并在任务聚焦的配置下进行训练。这些组件协同工作，目标是在多分钟的自回归滚动生成中，既能保留背景的视觉一致性，又能维持流体动力学的视觉合理性。
为了验证方法有效性，作者在七个基线上进行了评估。结果表明，Steady-Forcing 在长时程背景一致性和成像质量方面均有提升。此外，一项盲用户研究显示，参与者感知到的稳定性和运动连续性更强。值得注意的是，论文还讨论了基准评估的局限性：通用的 VBench 聚合分数对固定镜头伪影的惩罚不足，并且会将漂移引起的光流当作动态程度来奖励，却没有直接惩罚纹理硬化或流动停滞。这促使作者呼吁未来为静态镜头自然流动评估设计任务专用的基准。
该论文提交于 2026 年 6 月 2 日，作者包括 Matiur Rahman Minar 等四人，属于计算机视觉与模式识别（cs.CV）领域，并涉及人工智能、机器学习和多媒体等方向。项目页面已公开，提供了更多资源和演示。这项工作不仅提出了一种缓解长时程视频生成退化的实用框架，也揭示了现有评估指标在特定场景下的不足，为后续研究指明了方向。