像直播一样生成视频时，AI不能等整段画面算完，只能一边参考已有内容，一边继续画下一帧。问题在于，模型训练时见到的加噪状态，常与上线后的逐帧去噪顺序不同。就像只在标准路面练车，却直接开上冰面：早期的一点偏差，可能沿着视频不断累积。Stream Forcing正是为这种训练—推理错位设计的训练方法。
它最关键的一步，是不再固定采用一种训练安排，而是搭出一条连续轨迹：训练初期，各帧独立抽取噪声水平——也就是每帧离成品还有多远，以覆盖更多情况；随后逐步增强前后帧的关联，并把顺序收拢到实际推理采用的渐进式去噪安排。作者还校准每帧的噪声分布，让转变尽量平滑，避免某些帧只在狭窄状态下反复训练。
作者报告，在UCF-101基准上，Stream Forcing将FVD改善36.6%；FVD是衡量生成视频与真实视频分布差异的指标，通常越低越好。未经额外训练直接外推到更长视频时，FVD改善27.9%。这项工作的意义不只在画质：它为需要持续运行、在线推演未来画面的视觉世界模型补上了一套基础训练路径。