Infinity-RoPE: Управляемое действиями бесконечное генерирование видео возникает из авторегрессивного саморазвертывания
Infinity-RoPE: Action-Controllable Infinite Video Generation Emerges From Autoregressive Self-Rollout
November 25, 2025
Авторы: Hidir Yesiltepe, Tuna Han Salih Meral, Adil Kaan Akan, Kaan Oktay, Pinar Yanardag
cs.AI
Аннотация
Современные авторегрессионные модели видео-диффузии ограничены тремя основными проблемами: (i) конечным временным горизонтом, накладываемым 3D ротационным позиционным кодированием (3D-RoPE) базовой модели, (ii) медленной реакцией на промпты при сохранении детального управления действиями в ходе длинных генераций и (iii) невозможностью создания кинематографических переходов между сценами в рамках единого потока генерации. Мы представляем infty-RoPE — унифицированную инферентную архитектуру, которая решает все три ограничения с помощью трех взаимосвязанных компонентов: Block-Relativistic RoPE, KV Flush и RoPE Cut. Block-Relativistic RoPE переформулирует временное кодирование как движущуюся локальную систему отсчета, где каждый новый генерируемый латентный блок поворачивается относительно максимального фреймового горизонта базовой модели, в то время как предыдущие блоки поворачиваются назад для сохранения относительной временной геометрии. Эта релятивистская формулировка устраняет фиксированные временные позиции, позволяя осуществлять непрерывную генерацию видео далеко за пределы базовых позиционных ограничений. Для обеспечения детального управления действиями без перекодирования KV Flush обновляет KV-кэш, сохраняя только два латентных кадра — глобальный сток и последний сгенерированный латентный кадр, тем самым гарантируя мгновенную реакцию на промпты. Наконец, RoPE Cut вводит контролируемые разрывы в координатах временного RoPE, позволяя осуществлять многокадровые переходы между сценами в рамках единой непрерывной генерации. В совокупности эти компоненты делают infty-RoPE независимым от обучения фундаментом для бесконечно длинной, управляемой и кинематографичной видео-диффузии. Комплексные эксперименты показывают, что infty-RoPE последовательно превосходит предыдущие авторегрессионные модели по общим показателям VBench.
English
Current autoregressive video diffusion models are constrained by three core bottlenecks: (i) the finite temporal horizon imposed by the base model's 3D Rotary Positional Embedding (3D-RoPE), (ii) slow prompt responsiveness in maintaining fine-grained action control during long-form rollouts, and (iii) the inability to realize discontinuous cinematic transitions within a single generation stream. We introduce infty-RoPE, a unified inference-time framework that addresses all three limitations through three interconnected components: Block-Relativistic RoPE, KV Flush, and RoPE Cut. Block-Relativistic RoPE reformulates temporal encoding as a moving local reference frame, where each newly generated latent block is rotated relative to the base model's maximum frame horizon while earlier blocks are rotated backward to preserve relative temporal geometry. This relativistic formulation eliminates fixed temporal positions, enabling continuous video generation far beyond the base positional limits. To obtain fine-grained action control without re-encoding, KV Flush renews the KV cache by retaining only two latent frames, the global sink and the last generated latent frame, thereby ensuring immediate prompt responsiveness. Finally, RoPE Cut introduces controlled discontinuities in temporal RoPE coordinates, enabling multi-cut scene transitions within a single continuous rollout. Together, these components establish infty-RoPE as a training-free foundation for infinite-horizon, controllable, and cinematic video diffusion. Comprehensive experiments show that infty-RoPE consistently surpasses previous autoregressive models in overall VBench scores.