回声强制：面向交互式长视频生成的场景记忆框架 Echo-Forcing: A Scene Memory Framework for Interactive Long Video Generation

方法分三步，均在推理时执行。第一步分层时序记忆（HTM）：以 12 个早期帧为锚点池，奇偶更新间交替正反遍历；对历史 token 计算相位分数 $\text{Score}^{ph}=\sum_f|\bar{q}_f||k_f|\cos(\phi+\omega\Delta)$ 与幅度补偿 $\text{AMP}$，用漂移门 $g_b=\exp[-\lambda(1-\cos(\bar{q}_{rec},\bar{q}))]$ 融合并取 Top-K 得到压缩记忆。第二步场景召回帧（SRF）：对稳定场景的候选块逐位置计算相似度并加权融合，得到 $\text{Es}=\{K^{rec}_s, V^{rec}_s\}$ 存入可检索池。第三步差异感知衰减（DMD）：用新场景首个 block 作参考，算余弦差异 $d_i=1-\cos(k^{old}_i,k^{new}_i)$，映射到 $\mu_i=\mu_{min}+(\mu_{max}-\mu_{min})\delta_i$，以 $w^{(r)}_i=\exp(-r\mu_i)$ 同时软遗忘 key 与 value。

技术新颖性体现在三个层面。第一，提出场景记忆生命周期 的形式化框架，把历史 KV 的角色从同质缓存提升为可识别、可检索、可遗忘的多级记忆，且全程训练无关。第二，引入基于 RoPE 三角分解 + 查询漂移门控的相位一致性压缩，能在测试阶段不重训就筛出长期相位匹配而非当前注意力大的历史 token，消融显示动态度从 35.31 提升到 47.59。第三，提出的空间加权场景召回帧比单帧选择能更好保留提示相关线索（视觉对比见图 4a），而位置自适应 KV 软遗忘比一刀切衰减更优雅地处理平滑转场与硬切（视觉对比见图 4b），整体在 VBench-Long 长视频与交互基准上同时推进多个指标，且无需额外训练。

独立来看仍可改进的地方有四点。第一，FPS 偏低（15.71）压缩了实际部署价值，瓶颈在 Drifted-Gated Phase Compression 需要计算每个历史 token 的相位分数，思路是用稀疏打分或蒸馏到更轻量评分网络。第二，差异感知衰减的 $\mu_{min}$、$\mu_{max}$、漂移门敏感系数 $\lambda$ 均为手工超参，作者已说要探索自动场景路由（附录 B），可考虑用基于文本相似度的小模型做 prompt 变化检测后再调用衰减。第三，场景召回帧聚合权重依赖 $\bar{q}^s_u$ 校准查询，当新查询漂移显著时同样会失效，应和漂移门协同设计；可加入更新间隔控制以降低维护开销。第四，6-shot 60s 测试设置下 hard cut 文本对齐仅 33.67，提示在剧烈语义切换时仍受旧记忆干扰，下一步可结合分段 prompt encoder 显式从 query 维度割裂不同 shot 的影响。

作者提出的方向集中在自动场景路由与多架构泛化；我认为可延伸的方向包括：（1）将 Echo-Forcing 接入 VLA、具身智能或交互式电影系统的实时控制管线，把它作为低层记忆模块替代简单缓存；（2）把分层时序记忆与 token-level 稀疏注意力结合，引入更激进的关键 token 预算，进一步提升 FPS；（3）把场景召回帧做层级化（粗粒度分类 + 细粒度检索），允许 prompt 中回到上一镜头但角色更年轻这类语义级召回；（4）将衰减机制扩展到训练阶段，让模型本身学会何时遗忘，而不是完全靠外部规则；（5）扩展到更高分辨率与更长时长（如 5 分钟、4K），验证在不同视频长度下的可扩展性。

作者已开源代码（https://github.com/mingqiangWu/Echo-Forcing），论文附录 C 给出实现细节。实验全部在单卡 NVIDIA H100 上完成，锚点池 $N_{anc}=12$、压缩帧 $N_{cmp}=3$、近期帧 $N_{rec}=3$、局部窗口 $L=21$，相对时间 RoPE 沿用 ∞-RoPE 设置。评测数据集为 MovieGenBench 128/64 提示词扩展后的 60s/120s 长视频集与自建的 3×64 个 6-shot 60s 交互集（平滑转场、硬切、场景回忆），文本对齐与分镜扩展用 Qwen2.5-7B-Instruct。结果都跑 4 个种子取平均，整体复现难度中等：训练无关、不需大规模微调，但要实现相位一致性分数、漂移门控、空间加权融合三条管线并对齐 Self-Forcing / LongLive 的内部 KV layout，工程上仍不平凡。