CPU3DИИ-инструменты для 3D и видео

FreqForcing продлевает авторегрессионную видеогенерацию до двух минут без дообучения

29 июля 2026 года на arXiv появилась работа FreqForcing: Autoregressive Long Video Generation via Spectral Self-Anchoring. Авторы исследуют проблему авторегрессионных видеодиффузионных моделей: при покадровой генерации ошибки накапливаются, и через некоторое время видео «ломается» — цвета плывут, движение застывает. Они показывают, что этот процесс выглядит как дрейф энергии в низких частотах, и предлагают метод Spectral Self-Anchoring. Он использует низкочастотные компоненты опорного внимания для стабильности на длинных отрезках, а высокочастотные — из локального внимания для сохранения движения. Метод не требует дообучения и позволяет модели, обученной на пятисекундных клипах, генерировать видео длиной до двух минут.

Что это значит

FreqForcing — это метод, а не готовый продукт. Он расширяет возможности авторегрессионных видеомоделей, но напрямую не меняет ни один из инструментов нашего справочника генераторов видео. Тем не менее, работа затрагивает архитектурное направление, к которому относятся несколько наших инструментов.

LTX-Video — авторегрессионная модель на базе Diffusion Transformer, способная генерировать видео длиннее обучающих клипов. Разработчик не уточняет, какой именно метод экстраполяции используется, но архитектурно LTX-Video — прямой кандидат на применение FreqForcing. Пока в паспорте нет данных о максимальной длительности генерации и о том, борется ли текущая версия с накоплением ошибок.

CogVideoX и Pyramid Flow — модели, основанные на других принципах: CogVideoX использует 3D-вариационный автоэнкодер и экспертные трансформеры, Pyramid Flow — пирамидальный flow matching. Их архитектуры не являются авторегрессионными в том смысле, который рассматривается в статье, поэтому FreqForcing к ним напрямую неприменим.

FreqForcing: Spectral Self-Anchoring Продление авторегрессионной видеогенерации без дообучения Накопление ошибок Цвета плывут, движение застывает Дрейф энергии в низких частотах Видео «ломается» Spectral Self-Anchoring Низкие частоты — опорное внимание Высокие частоты — локальное внимание Training-free, без дообучения До двух минут Без деградации качества Модель обучена на коротких клипах Применимость к существующим моделям LTX-Video Diffusion Transformer Авторегрессионная архитектура Прямой кандидат CogVideoX 3D-вариационный автоэнкодер Экспертные трансформеры Неприменим напрямую Pyramid Flow Пирамидальный flow matching Не авторегрессионная Неприменим напрямую Метод расширяет авторегрессионные модели — пользователи получат длинные видео без деградации
Как устроен метод. Схема нарисована по этой заметке.

Работа предлагает training-free решение — это значит, что метод можно применить к существующим авторегрессионным моделям без переобучения. Если разработчики LTX-Video или других подобных инструментов интегрируют Spectral Self-Anchoring, пользователи смогут получать значительно более длинные видео без деградации качества.

Смотрите также