向迅之，南京大學 R&L 課題組在讀博士生，導師是范琦副教授。研究聚焦圖像/視頻生成與世界模型等 AIGC 方向。

你是否曾被 AI 生成視頻的驚艷開場所吸引，卻在幾秒后失望于?彩漂移、畫面模糊、節奏斷裂？ 當前  AI 長視頻?成普遍?臨 “高開低走 ” 的困境：前幾秒驚艷奪? ，之后卻質量驟降、細節崩壞；更別提幀間串行生成導致的低效問題 —— 動輒數小時的等待，實時預覽幾乎難以企及。

這—行業難題，如今迎來突破性解法！

南京大學聯合 TeleAI 推出長視頻自回歸生成新范式——Macro-from-Micro Planning（ MMPL），重新定義 AI 視頻創作流程。

靈感源自電影工業的 “分鏡腳本 + 多組并行拍攝” 機制，MMPL 首創 “宏觀規劃、微觀執行 ” 的雙層?成架構：

• 先謀全局：在宏觀層面統—規劃整段視頻的敘事脈絡與視覺—致性，確保劇情連貫、風格統—;
• 再精細節：將長視頻拆解為多個短片段，并通過并行化?成管線?效填充每—幀細節，大幅提升速度與穩定性。

成果令人振奮：

• 實現分鐘級?質量長視頻穩定生成，告別 “虎頭蛇尾”；
• ?成效率顯著提升，結合蒸餾加速技術，預覽幀率最高可達約 32 FPS ，接近實時交互體驗；
• 在色彩—致性、 內容連貫性上全?超越傳統串行生成方案。

MMPL 不僅是—項技術升級，更是向 “AI 導演” 邁進的重要—步 —— 讓機器不僅會 “拍鏡頭” ，更能 “講好—個故事”。

• 論文標題：Macro-from-Micro Planning for High-Quality and Parallelized Autoregressive Long Video Generation
• 作者：Xunzhi Xiang, Yabo Chen, Guiyu Zhang, Zhongyu Wang, Zhe Gao, Quanming Xiang, Gonghu Shang, Junqi Liu, Haibin Huang, Yang Gao, Chi Zhang, Qi Fan, Xuelong Li
• 機構 ：南京大學；中國電信人工智能研究院；上海交通大學；香港中文大學（深圳）；中國科學院大學
• 論?地址：https://arxiv.org/abs/2508.03334
• 項?主頁：https://nju-xunzhixiang.github.io/Anchor-Forcing-Page/

傳統困境：逐幀?成的兩大瓶頸

在長視頻生成領域，隨著時長從幾秒擴展到數十秒甚至一分鐘以上，主流自回歸模型面臨兩個根本性挑戰：

1. 時域漂移（Temporal Drift）

由于每—幀都依賴前—幀生成，微小誤差會隨時間不斷累積，導致畫面逐漸 “跑偏”：人物變形、場景錯亂、色彩失真等問題頻發，嚴重影響視覺質量。

2. 串?瓶頸（Serial Bottleneck）

視頻必須逐幀?成，?法并?處理。?成 60 秒視頻可能需要數分鐘乃?數?時，難以?持實時預覽或交互式創作。

這些問題使得當前 AI 視頻仍停留在 “ 片段級表達” ，難以勝任需要長時連貫性的敘事任務。

創新突破：導演式雙層生成框架 MMPL

為解決上述問題，我們提出 Macro-from-Micro Planning（ MMPL） —— — 種 “先規劃、后填充” 的兩階段生成范式，其核心思想是：

先全局規劃，再并行執行。

這—理念借鑒了電影工業中 “導演制定分鏡腳本 + 多攝制組并行拍攝” 的協作模式，將長視頻生成從 “接龍式繪畫” 轉變為 “系統性制片 ”。

MMPL 的核心優勢在于實現了三大突破：

• 長時?致性：通過宏觀規劃抑制跨片段漂移；
• 高效并行性：各片段可獨立填充細節，支持多 GPU 并行；
• 靈活調度性：采用流水線機制，進—步提升資源利用率。

最終，系統可在保證高質量的前提下，實現分鐘級、節奏可控的穩定?成，結合蒸餾加速方案，預覽速度可達 ≥32 FPS ，接近實時交互體驗。

效果呈現：更穩、更長 、更快

在統—測試集上，MMPL 顯著優于現有方法（如 MAGI 、SkyReels 、CausVid 、Self Foricng 等），在視覺質量、時間—致性和穩定性方面均取得領先。

• 更穩：無明顯色彩漂移、 閃爍或結構崩壞，長時間生成仍保持高保真；
• 更長： 支持 20 秒、30 秒乃至 1 分鐘的連貫敘事，片段銜接自然；
• 更快：得益于并行填充與自適應調度，長視頻生成整體吞吐量大幅提升。

技術解析：兩階段協同工作機制

MMPL 的成功源于其精心設計的 “規劃 — 填充” 雙階段架構。整個流程分為兩個層次：微觀規劃（ Micro Planning） 和宏觀規劃（ Macro Planning），隨后進行并行內容填充（Content Populating）。

第?階段：雙層規劃，構建穩定骨架

1. Micro Planning： 片段內關鍵幀聯合預測

我們將長視頻劃分為多個固定長度的片段（例如每段 81 幀）。對每個片段，模型不直接生成所有幀，而是基于首幀  ，聯合預測?組稀疏的關鍵未來錨點幀，包括：

• 早期鄰近幀 
• 中部關鍵幀 
• 末端結束幀 

記錨點集合為 ，其生成過程建模為：

這些錨點在同—去噪過程中聯合生成，彼此之間語義協調、運動連貫；且均以首幀為條件單步預測，避免了多步累積誤差。它們共同構成了該片段的 “視覺骨架” ，為后續填充提供強約束。

2. Macro Planning：跨片段敘事?致性建模

為了確保整個視頻的連貫性，我們將各片段的 Micro 計劃串聯成—個?回歸鏈：第 s 段的末端錨點作為第 s + 1 段的起始條件。設第 s 段的錨點集合為，首幀為  ，則全局規劃可表示為：

這種 “分段稀疏連接” 的設計，將誤差累積從 T 幀級別降低至 S 段級別（ S ? T），從根本上緩解了長程漂移問題。

第二階段：并行填充，釋放計算潛能

1. Content Populating：基于錨點的并行細節生成

在所有片段的錨點  就緒后，即可并行填充各?段內的中間幀。 

以第 i 個片段為例，其內容被劃分為兩個子區間：

條件概率分解如下：

由于每個片段的填充僅依賴本片段的錨點 ，與其他片段無關， 因此所有片段的內容填充可完全獨立：

 這意味著： 多個片段可以同時在不同 GPU 上并行?成，極大提升效率。

2. Adaptive Workload Scheduling：動態調度，實現流水線加速

為進—步提升資源利用率，我們引入自適應工作負載調度機制，實現 “規劃” 與 “填充” 的重疊執行：

當片段 s 的錨點生成后，即可：

• 立即啟動下—片段 s + 1 的 Micro 計劃；
• 同時，片段 s 自身可提前開始中間幀填充，無需等待全局規劃完成。

該機制的形式化表達為：

其中，下—片段的起始幀 可選擇為或  ， 由此衍?出兩種運行模式：

最小內存峰值模式

 選用   作為 ，跳過當前片段末尾部分 的填充。

• 優勢：降低峰值內存占用與單段延遲；
• 缺點：引入幀重用 ，影響吞吐量。

最大吞吐量模式

選用  作為 ，完整生成當前片段所有中間幀。

• 優勢：消除冗余，最大化流水線效率；
• 缺點：每段計算負載更高。

這兩種策略可在內存、延遲與吞吐量之間靈活權衡，適配不同部署場景。

結語：從 “會畫” 到 “會拍”，AI 開始有了導演思維

當 AI 不再局限于逐幀生成，而是具備了從整體出發的規劃能力 —— 理解情節的推進、協調畫面的連貫性、控制運動的節奏，長視頻生成便邁出了從 “ 片段拼接” 走向 “統—表達” 的關鍵—步。我們希望，MMPL 能為視頻創作提供—種更穩定、更高效的技術路徑。借助其近實時的生成能力，創作者可以在快速反饋中不斷調整與完善自己的構想，讓創意更自由地流動。

也許真正的 “所見即所得” 尚在遠方 ，但至少，我們正朝著那個方向，穩步前行。