视频模型早期即推理：利用计划承诺求解迷宫 Video Models Reason Early: Exploiting Plan Commitment for Maze Solving
视频扩散模型在前几步去噪就锁定路径，由此提出 ChEaP，把长程迷宫准确率从 7% 拉到 67%。
前置知识
视频扩散模型
视频扩散模型通过迭代去噪过程从随机噪声生成时空一致的视频。训练阶段学习预测速度场或噪声，推理时按预定义 schedule 进行 T 步去噪（如 Wan2.2-14B 用 T=40 步）。本文使用的模型接受 image+text 条件，能在保持迷宫布局固定的前提下生成 agent 运动轨迹。
理解去噪是按时间步逐级展开的，是理解「早期计划承诺」现象的前提——只有知道每一步可以解码出中间预测，才能讨论 plan 何时定型。
Flow Matching（流匹配）
Flow Matching 是 DDPM 之外的另一类连续时间生成范式。训练时构造插值样本 $x_t = (1-t)x_0 + t\epsilon$，让网络 $v_\theta$ 预测速度 $\frac{dx_t}{dt}=\epsilon-x_0$。关键性质是任意中间步的 $\hat{x}_0^{(t)} = x_t - t\cdot v_\theta(x_t, t)$，即可以从部分去噪状态恢复出「对最终输出的当前最佳估计」。
本文所有早期预测、轨迹收敛量化和 verifier 评分都建立在能从 $x_t$ 解码出 $\hat{x}_0^{(t)}$ 这一公式之上，是实验的数学锚点。
推理时计算扩展（Test-Time Scaling）
不重新训练模型，通过在推理阶段投入更多算力（采样更多候选、做更多搜索步、使用更强 verifier）来提升输出质量。LLM 中以 o1/ToT 为代表，扩散模型中已衍生出 best-of-N、Feynman-Kac 粒子重采样、树搜索+MCMC、噪声轨迹优化等流派。
本文属于扩散模型的推理时扩展范畴，必须先理解已有 best-of-N 的局限性（全去噪每条候选），才能体会 EPBS「早筛少精修」的设计动机。
束搜索（Beam Search）
在每个决策步骤保留 top-K 最优候选而非单一贪心解的搜索策略。本文 EPBS 在去噪层面类比 beam search：τ 步部分去噪相当于「决策点」，verifier 评分相当于「打分函数」，top-K 继续完整去噪相当于「扩展」。
EPBS 的算法 1 直接借鉴了 beam search 的剪枝范式，是理解 EPBS 比 best-of-N 多探索约 7 倍候选的逻辑入口。
BFS 求解迷宫与 Pearson 相关分析
宽度优先搜索能在网格迷宫上求出最短/最远路径的精确解，用于自动验证和难度的结构归因。本文用 ground-truth 路径长度、终点距离、湖面密度等结构特征与模型成功率做 Pearson 相关分析，从而分离「路径长度主导难度」这一现象。
本文「12 步失败悬崖」和「路径长度是 r=-0.81 的主导因素」这些定量结论，完全建立在 BFS 给出的精确解路径之上。
研究动机
Wan2.2-14B 和 HunyuanVideo-1.5 这类视频扩散模型已经被发现能零样本地解迷宫、做对称推理，但学界对这些能力如何在去噪过程中涌现几乎一无所知。已有的视频推理工作停留在输出层面报告结果，例如 VR-Bench 显示 best-of-N 在 10 个 seed 时只能带来 10-20% 的提升并迅速 plateau，长程迷宫（>12 步）即便无限采样也几乎全部失败——这意味着障碍不在算力不够，而是模型存在结构性的「单次生成视野瓶颈」。同时 He et al. 通过 fine-tuning 把模型变成 image-to-image reasoner 来突破视野限制，但代价是必须重新训练。本文关注的核心问题是：模型在去噪的哪一步锁定了最终路径？早期是否能可靠预判成败？长程任务究竟为何失败？
本文的目标是本文设定四个递进目标：(1) 量化视频扩散模型何时在去噪过程中确定运动计划；(2) 找出早期信号能否预测最终成功；(3) 拆解失败模式并定位任务结构特征与难度的因果关系；(4) 基于发现设计完全免训练的测试时推理方法，在 Wan2.2-14B 和 HunyuanVideo-1.5 上把长程迷宫准确率提升一个数量级。最终把这些发现凝结为一个名叫 ChEaP 的方法（Chaining with Early Planning）。
与已有工作不同的是，已有推理时扩散方法（Feynman-Kac 粒子重采样、噪声轨迹优化、树搜索+MCMC）把扩散过程当作黑盒，按时间步均匀分配计算，没有利用「plan 在前 5-15 步就定型」这一结构特性。VR-Bench 等评测只报最终帧 pass rate，无法解释为什么 brute-force 采样会 plateau。He et al. 的 image-to-image fine-tuning 又引入训练成本。本文恰好填住这条缝：不动模型权重，定量描述「早期计划承诺」现象，并据此把计算预算从「全部去噪」重分配到「早期多探索+仅完整去噪 top-K」。这把传统 best-of-N 采样的「少探索多精修」反转为「多探索少精修」，同时通过链式生成把单次生成视野从 12 步扩展到 20+ 步。
核心方法
整体方法叫 ChEaP（Chaining with Early Planning），由两个互补组件构成。第一个组件是 EPBS（Early Planning Beam Search）：给定预算 $B$ 个 NFE，先对 $N = \lceil(B - KT/\tau)\rceil + K$ 个随机 seed 各做 τ 步部分去噪（τ=5 对小迷宫、τ=10∼15 对大迷宫），从中间 $\hat{x}_0^{(\tau)}$ 解码并用 verifier 打分，只对 top-K seed 跑完剩余去噪。直觉是：plan 在前 5-15 步就定型了，与其把算力花在注定失败的精细化上，不如多采样几个种子、看谁起手就好。第二个组件是 Chaining：单次生成最多覆盖约 12 步轨迹，对长程任务，把上一次成功生成的最后一帧作为下一轮的 conditioning image，最大链深 D=3，把单次视野扩展到 20+ 步。
EPBS 与已有推理时扩展方法的本质区别有三：(1) 显式利用中间预测——把 $\hat{x}_0^{(t)}$ 当作「早期轨迹」对象来观察和评分，而不是把去噪当黑盒；(2) 非均匀分配计算——前期花少量步（τ）筛选大量 seed，后期只对 top-K 跑完 T−τ 步，把「精修」换成「探索」；(3) verifier 用特权信息——直接读 agent、goal、障碍单元位置来算 confidence，省去训练额外评分模型的成本。Chaining 则把「分而治之」显式编码到 inference loop 里：上一轮的 last frame 自然充当下一轮的 conditioning，不需要任何额外训练或外部记忆。
方法步骤详情
完整流程是 (1) 采样 N 个随机 seed；(2) 对每个 seed 跑 τ 步部分去噪，用 VAE 把 $\hat{x}_0^{(\tau)}$ 解码到像素空间；(3) 调用轨迹提取管线（基于 SAM2 分割 agent 像素）得到候选轨迹 $T^{(\tau)}$；(4) Verifier 评分：跟踪 agent 在每一帧的位置，构造 confidence = $\sum_t \mathbb{1}\{\text{forward to goal}\} - \alpha\sum_t \mathbb{1}\{\text{in obstacle}\}$，选 top-K；(5) 对 top-K seed 继续去噪到 t=0，再做一次 trajectory 提取和成功判断（reach goal + no constraint violation + no degenerate）；(6) 若成功且仍有进度空间，取最终帧作为下一轮 conditioning image，回到 (1)；(7) 最多迭代 D=3 次。Verifier 仅需要 agent、goal、obstacle 的位置信息——在 2D 迷宫设置下这完全可观察，因此 verifier 不需要额外训练。
技术新颖性
技术新颖性体现在三个层面。概念上，首次在视频扩散模型上定量描述「早期计划承诺」，并证明推理多样性的主要来源是 seed 而非去噪路径（同一 seed 的 refinement 分支轨迹多样性 ≤ 25%，而不同 seed 之间达 68%）。方法上，把「早筛+少精修」作为通用范式替代传统 best-of-N，配合链式生成把「生成视野瓶颈」显式拆开。诊断上，提出三分类失败模式（constraint violation / horizon-limited / degenerate），并揭示 Wan 与 HunyuanVideo 的失败分布差异——前者从小尺寸的 horizon-limited 迁移到大尺寸的 constraint-dominated，后者因 step distillation 在所有尺寸上以约束违反为主，为后续模型训练提供明确靶点。
实验结果
本文给出五组核心数字证据。第一，早期收敛性：在 4×4 Frozen Lake 上 Wan2.2-14B 在去噪 step=5 时已收敛到最终轨迹的 93%（cosine similarity），step=10 接近完美，验证 plan 在前 1/4 去噪中定型。第二，多样性来源：同一 seed refinement 分支的轨迹多样性最多 25%，而不同 seed 之间达 68%，说明推理多样性来自 seed 而非去噪路径。第三，难度主因：8×8 迷宫上路径长度与成功率的 Pearson 相关 r=-0.81，10×10 上 r=-0.79，而障碍密度 |r|<0.05；路径超过 12 步出现失败悬崖，从 13 步往后准确率跌至 10% 以下。第四，EPBS 效率：Wan2.2-14B 上 EPBS 用 120 NFEs 即可达到 best-of-N 用 400 NFEs 的水平（3.3× 削减），在 size 6 Frozen Lake 上把 pass@2 从 BoN 的 24.4% 拉到 42.3%。第五，ChEaP 突破视野瓶颈：Wan2.2 在路径长 10-13 步的迷宫上 BoN 仅 7.3%、EPBS 16.4%、ChEaP 67.3%，整体在 Frozen Lake 平均提升 11.9 分；HunyuanVideo 在 Frozen Lake size 4 上 pass@2 从 BoN 38.2% 提升到 ChEaP 60.5%。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Frozen Lake 6×6 pass@2 (Wan2.2-14B) | pass@2 | 88.5% (ChEaP @ 1200 NFEs) | 43.6% (BoN @ 400 NFEs) | +44.9 绝对百分点，约 2.03× |
| Frozen Lake 8×8 pass@2 (Wan2.2-14B) | pass@2 | 46.8% (ChEaP @ 1200 NFEs) | 22.1% (BoN @ 400 NFEs) | +24.7 绝对百分点，约 2.12× |
| Frozen Lake 10×10 pass@2 (Wan2.2-14B) | pass@2 | 22.5% (ChEaP @ 1200 NFEs) | 9.9% (BoN @ 400 NFEs) | +12.6 绝对百分点，约 2.27× |
| VR-Bench Hard pass@2 (Wan2.2-14B) | pass@2 | 25.0% (ChEaP @ 1200 NFEs) | 10.0% (BoN @ 400 NFEs) | +15.0 绝对百分点，2.5× |
| Frozen Lake 4×4 pass@2 (HunyuanVideo-1.5) | pass@2 | 60.5% (ChEaP @ 240 NFEs) | 38.2% (BoN @ 80 NFEs) | +22.3 绝对百分点，约 1.58× |
| VR-Bench Easy pass@2 (Wan2.2-14B) | pass@2 | 72.0% (ChEaP @ 1200 NFEs) | 56.0% (BoN @ 400 NFEs) | +16.0 绝对百分点，约 1.29× |
| NFE 效率 (Wan2.2-14B Frozen Lake avg) | 等效 pass@2 所需 NFE | 120 NFEs (EPBS) | 400 NFEs (BoN) | 3.3× NFE 削减，平均提升 +11.9 分 |
局限与改进
作者明确承认四点：(1) NFE 不是完整成本指标——每个 $\hat{x}_0$ probe 需要 VAE decode（约 1.5 FE 墙钟时间），因此 EPBS 的实际加速比低于 NFE 比；(2) verifier 依赖特权信息（agent、goal、obstacle 位置），这在 2D 迷宫可观察，迁移到通用视频任务困难；(3) 仅在迷宫任务上验证，未证明非空间推理模态（如对话、故事生成）是否同样存在早期承诺；(4) Chaining 最深 D=3 限制了视野扩展上限，14+ 步任务 EPBS 2.4% 提升到 ChEaP 仅 14.6%，累积误差显著。我自己的额外观察：(5) verifier 的 confidence 公式对 goal progress 过于宽松，模型可以作弊——把 gift 平移到 agent 旁边就被误判为进展（Fig. 9 现象）；(6) 整套方法以模型本身已经具备局部规划能力为前提，对完全不会规划的任务无效；(7) 评测指标依赖 SAM2 做 trajectory extraction，SAM2 自身的跟踪失败会污染 success 判断；(8) 数据集仅 480+ 迷宫，没有覆盖动态障碍、3D 场景或非网格拓扑。
独立分析的弱点
本文有四点独立可观察的弱点，每点都有具体改进方向。第一，verifier 任务特化：规则化的 confidence 函数只在 2D 网格迷宫有效，无法迁移到 3D 或物理推理；改进方向是用 VLM 替代规则 verifier，或学一个轻量 verifier，捕捉「结构满足」而非「距离减少」。第二，链深限制过严：D=3 的硬上限让超长任务（≥14 步）收益骤降；改进方向是引入 lookahead 规划或学一个「是否继续 chain」的判别器，甚至把 chain 升级为 tree search 允许回溯。第三，作弊未防御：Fig. 9 显示模型在 horizon 压力大时会移动 gift 或复制 agent，verifier 仍然给高分；改进方向是加一个结构验证子步骤（例如比对生成视频的 obstacle 位置与 conditioning image），把「轨迹合法但环境被改」判为失败。第四，没有探索 plan 编辑：既然 early plan 已经在 step=5 可见，是否可以通过 text prompt 或 mask 来引导修改早期 plan，从而挽救失败 seed？本文完全没有探索这条路径，是显著的留白。
未来方向
作者明确点出三个方向：(1) 把早期承诺与视野限制的发现扩展到非空间推理模态（对话、故事、代码）；(2) 训练更长 native context 的视频模型或学 pivot；(3) 把「早期承诺」作为训练信号（如加大早期步骤的 loss 权重），主动鼓励模型在早期就稳定 plan。基于成果我补充四条：(4) 把 EPBS 的「早筛」范式与 RL post-training 结合，用 verifier 当 reward，让模型天然学会「先想清楚再精修」；(5) 探索 plan 的可编辑性——是否可以用 text 或 layout 在 step=5 强行修改 plan；(6) 把链式生成从固定 chain 升级为自适应 chain，根据每步进度动态决定是否继续；(7) 研究 verifier 与模型的对抗关系：当 verifier 知道模型会作弊时，能否反推出更难作弊的 verifier。
复现评估
复现门槛中等偏低。模型层面完全使用公开的 Wan2.2-14B 和 HunyuanVideo-1.5 Step Distilled，配合标准的 image+text-to-video 流程，无需任何额外训练。数据集层面，Frozen Lake 与 VR-Bench 都是公开可控的网格环境，可以脚本生成任意数量的迷宫（论文用到 480+），BFS 提供精确解用于自动验证。算力层面是主要瓶颈：Wan2.2-14B 单次生成就需 40 NFE + VAE decode + SAM2 trajectory extraction，在 8×A100 或同等 GPU 上复现一次完整 sweep 估计需要数百 GPU 小时。代码层面，论文给出项目页 video-maze-reasoning.github.io 但正文未明确承诺开源代码与 verifier 实现细节；supp. A.3 提到 verifier 的具体 confidence 公式但未给完整超参，整体复现需要从论文与补充材料自行重建。verifier 的随机 seed 选择、VAE decode 的精度、τ 与 K 的 grid search 等超参也对结果敏感，建议先在小 subset 上对齐再全量跑。
论文图表
展示 Wan2.2-14B 在 t=1、3、5、15、20、40 共六个去噪时间步解码出的中间 $\hat{x}_0$ 预测（用平均帧可视化）。绿色框标注 t=1-5：模型已经在 agent 周围画出大致路径；蓝色框标注 t=15-40：路径基本固定，后续步骤主要在精修视觉细节（颜色、光照、纹理）。
这是论文最核心的视觉证据，一眼能让读者理解 early plan commitment 是什么，并把后面所有定量结论锚定到肉眼可见的现象上。
伪代码：输入 (T, B, τ, K)，先算初始候选数 N = (B - KT/τ) + K，采样 N 个 seed，对每个做 τ 步部分去噪、解码 $\hat{x}_0^{(\tau)}$、verifier 评分；选 top-K 完整去噪到 t=0；返回最高分最终样本。
把 EPBS 的算术结构写死成代码，方便读者复现并核对 NFEs 预算分配是否正确。
两个示例截图。上半：gift（终点）从远角被瞬移到 agent 旁边，让 agent 直接走出迷宫；下半：原 agent 困在角落，模型在目标附近 spawn 出第二个 agent 接管任务。两张图都展示 horizon 压力下模型为完成任务而牺牲环境约束的现象。
定性图，但信息量极大——揭示了 verifier 的盲点和未来需要防御的 failure mode，是 limitations 章节的视觉锚点。
按 grid size 4/6/8/10 列出 Overall、Norm（goal 在远角）、Vary（goal 随机）三种成功率，以及 Path length 与 Lake density 对成功率的 Pearson 相关。Norm vs Vary 差距在 size 8 上达 7.5% vs 62.2%；Path corr. 在 size 8/10 上分别为 -0.81/-0.79；Lake corr. 全部 |r|<0.05。
把路径长度主导难度、障碍密度无关这一关键结论做成可查的统计表，是 ChEaP 设计动机（chaining）的数据基础。