西湖大学张驰团队提出 FreeLOC：无需重训实现长视频生成稳定性突破
西湖大学张驰团队在 CVPR 2026 提出 FreeLOC 方法，通过分层自适应推理校正解决 AI 视频生成中时长增加导致的失稳问题。该方法无需重新训练模型，仅在推理阶段优化，在 Wan2.1 和 HunyuanVideo 等模型上将视频长度扩展至 4 倍后，主体一致性与图像质量仍保持领先。研究揭示了位置与上下文分布外（O.O.D）问题是长视频生成的核心瓶颈，并验证了分层处理策略的有效性。
事件概述
西湖大学张驰团队提出了一种名为 Free-Lunch Long Video Generation via Layer-Adaptive O.O.D Correction（简称 FreeLOC）的方法。该研究旨在解决当前 AI 视频生成模型在延长视频时长时出现的细节漂移、时序松动及画质下降问题。与传统依赖重训或大量额外计算的方法不同，FreeLOC 仅通过推理阶段的分层自适应校正即可显著提升长视频生成的连续性与稳定性。
核心机制与创新点
研究团队深入分析了 Transformer 架构在不同层级的表现差异，发现长视频生成的主要瓶颈源于两类分布外（O.O.D）问题：
- 位置 O.O.D (Position O.O.D)：帧间相对位置关系变化导致生成质量下降。
- 上下文 O.O.D (Context O.O.D)：视频长度增加导致注意力机制（Attention）分散，进而影响生成效果。
针对上述问题，FreeLOC 引入了两项核心技术并进行分层适配：
- VRPR (Variable Resolution Position Re-encoding)：一种多粒度的位置重编码机制，相比简单的截断或分组，能更有效地处理位置偏移。
- TSA (Temporal Self-Attention)：一种改进的注意力机制，能在控制上下文长度的同时保留长距离时序关联，优于传统的滑动窗口（Sliding Window）方法。
关键创新在于分层处理策略。实验表明，不同层对位置和上下文的敏感度不同，因此不能对所有层统一处理。FreeLOC 通过识别问题集中的层级进行针对性修复，而非“一刀切”地修改所有层，从而实现了性能最大化。
实验数据与结果
研究在 Wan2.1-T2V-1.3B 和 HunyuanVideo 两个公开模型上进行了验证，将视频输出分辨率统一设为 480p (832 × 480)，并测试了 2 倍（约 161/253 帧）和 4 倍（约 321/509 帧）的长度扩展场景。评估指标涵盖一致性（主体、背景、运动平滑度）与质量（图像清晰度、美学质量、动态程度）。
Wan2.1-T2V-1.3B 模型表现
| 指标 | 2 倍长度 (161 帧) | 4 倍长度 (321 帧) | 对比基线 (Direct Sampling) |
|---|---|---|---|
| 主体一致性 | 98.06 | 98.44 | 接近最高水平 |
| 图像质量 | 68.31 | 67.44 | Direct: 60.34 / 59.21 |
| 美学质量 | 62.33 | 61.21 | Direct: 52-56 / 49.43 |
| 动态程度 | 39.41 | 36.27 | Direct: 4.32 (数量级差距) |
在 4 倍长度下，FreeLOC 的动态程度达到 36.27，而直接采样法仅为 4.32，显示出极强的抗失真能力。此外，消融实验证明，单独使用 TSA 或 VRPR 均有效，但只有结合分层策略才能达到最佳效果（图像质量 67.44，美学质量 61.21）。
跨模型通用性验证
在 HunyuanVideo 模型上的测试结果趋势一致：
- 2 倍长度：图像质量 68.92，美学质量 62.38，主体一致性 97.92。
- 4 倍长度：图像质量 67.92，美学质量 61.09，动态程度 39.28。
这证明了 FreeLOC 具有显著的跨模型适用性，不依赖于特定模型的架构。
行业意义
- 降低落地门槛：证明了无需重新训练模型，仅通过推理优化即可解决长视频生成难题，大幅降低了算力成本与部署难度。
- 提升内容可用性：有效减少了人物变形、背景跳变、动作不连贯等问题，使 AI 生成的视频更接近商业创作与日常应用标准。
- 方法论启示：提出的“识别问题 - 定位层级 - 局部修复”思路，不仅适用于视频生成，也为大语言模型（LLM）及图像生成模型的长上下文推理优化提供了参考范式。
论文信息：
- 标题：Free-Lunch Long Video Generation via Layer-Adaptive O.O.D Correction
- 作者：田佳豪（第一作者）、张驰（通讯作者）等
- 机构：西湖大学 AGI Lab
- 会议：CVPR 2026