让 AI 边生成边播放一段长视频，开头的小误差常会一路传下去：物体慢慢漂移、空间关系变乱，动作甚至逐渐停住。Stream4D瞄准的正是这个问题。流式自回归生成——像接龙一样逐段生成并立即输出——过去更在意下一小段画面是否自然，却不直接约束整段视频是不是同一个连续世界。
它最关键的改动，是用动态的“四维重建”来评分。四维指三维空间加时间：系统尝试把生成视频还原成一个会运动的场景，再看还原画面与原视频是否吻合。相比只能描述静态场景的三维评分，这种做法不会把真实运动误判成错误。团队还加入运动奖励，同时压制动作太少、抖动和不自然形变，避免模型靠“让一切静止”取得高分。
据作者报告，在 Self-Forcing、Causal-Forcing 和 LongLive 三种模型上，4D-PSNR——衡量四维重建质量的指标——分别从 16.88、15.44、17.44 提升到 20.34、20.97、24.20。结果覆盖 5 秒和 10 秒生成；更长时段能否同样稳定，论文材料尚未披露。