打破时间瓶颈：无训练扩展技术如何让视频生成突破分钟级限制
当AI开始尝试生成超过10秒甚至30秒的视频时，一个根本性问题逐渐暴露：模型在训练阶段所见的时序长度，直接限制了其在推理阶段的发挥。这种‘训练短、推理长’的矛盾，如同横亘在通用视频生成之路上的天堑，让多数先进模型在超出训练边界后迅速崩解，画面出现跳跃、角色错位甚至完全失焦。
最近，来自国内团队的研究者提出了一个极具启发性的解决方案——FLEX（Frequency-aware Length EXtension）。与大多数需要重新训练或微调的方法不同，FLEX是一种即插即用的推理时增强框架，它巧妙地绕开了传统方法的局限，在不改变模型底层参数的前提下，实现了对视频生成时长的突破性扩展。
从频谱偏差到动态先验：问题的深层剖析
要理解FLEX的创新价值，首先必须直面其试图解决的核心难题。现有的自回归视频扩散模型虽然表现出色，但它们在生成远超训练时长的视频时，往往会出现严重的‘外推失效’。这并非简单的画质下降，而是整个时间轴上内容的系统性崩塌。
研究者们发现，这一现象的根源在于两个关键缺陷：首先是三维位置编码（Positional Encoding）的频谱偏差。这类编码通常能很好地捕捉低频率的时空模式（如缓慢移动的人物），但在处理高频率变化（如快速转身、突然的动作切换）时表现乏力。随着生成时间的延长，这些未被充分学习的低频成分开始主导序列，导致整体节奏失真。其次是噪声采样过程中的静态先验问题。标准的扩散模型在去噪过程中依赖固定的条件引导，缺乏对长时序中复杂动态关系的建模能力，使得生成的视频在长时间尺度上难以维持内在的逻辑一致性。
三大引擎驱动：FLEX的革新性设计
针对上述痛点，FLEX构建了一套精巧而高效的推理优化体系。其核心思想是通过引入动态的频率调制机制和结构锚定策略，来弥补模型在长时序推理中的短板。
第一项技术是**频率感知的RoPE调制（Frequency-aware RoPE Modulation）**。传统的旋转位置编码（RoPE）在处理超长序列时会遇到位置信息衰减的问题。FLEX则在此基础上进行改良，它智能地区分并分别处理低频和高频分量。对于低频部分，它采用自适应插值的方式，增强模型对这些基础时空模式的识别能力；而对于高频部分，则保留其原始特性，确保细节动作的真实感。这种双轨制的设计，有效提升了模型在多尺度时间分辨上的鲁棒性。
第二项技术是**反相位噪声采样（Antiphase Noise Sampling, ANS）**。这是FLEX最具颠覆性的创新之一。标准的扩散模型通常采用正向加噪、逆向去噪的流程。而ANS则引入了一种‘反向引导’机制，在去噪过程中有意识地向序列中注入高频率的动态先验。简单来说，它在生成后期阶段，主动‘唤醒’模型对复杂运动轨迹的记忆和预测能力，从而避免了因长期累积误差而导致的内容漂移。这种机制类似于在绘画时不断回看草稿，确保了最终作品的连贯性和生动性。
第三项技术则是**推理专用注意力锚点（Inference-only Attention Sink）**。当视频长度急剧增加时，Transformer架构中的注意力机制会因为计算资源的限制而忽略掉一些早期的全局上下文信息。FLEX通过设置专用的‘记忆池’，将关键的初始帧或场景特征作为固定锚点嵌入到后续的注意力计算中。这样，即使生成过程已经进行了数百个时间步，模型依然能够清晰地回忆起故事的开端，从而保证人物、背景等核心元素的稳定性。
性能飞跃与行业启示
经过在标准评测集VBench上的严格测试，FLEX展现出了惊人的效果。在需要外推6倍训练长度的场景下（即30秒），它的表现全面超越了所有同类方法。更令人振奋的是，当扩展到12倍训练长度（60秒）时，其性能甚至可以与那些专门为长视频进行过精细微调的基础模型相媲美。这意味着，开发者无需投入昂贵的算力成本进行大规模重训，就能获得接近定制化的长视频生成能力。
这项工作的真正意义，或许不在于它本身达到了多高的绝对指标，而在于它开辟了一条全新的技术路径。它证明，通过精巧的推理时算法设计，我们可以在不触及模型核心的情况下，极大地拓展其应用场景的边界。这对于当前AI视频生成领域面临的‘模型-应用’鸿沟问题，提供了一个极具吸引力的缓解方案。未来，类似的即插即用型增强框架有望成为标配，帮助各类垂直领域的视频创作者，以极低的门槛获得高质量的AI生成能力。