你让 AI 生成一段长视频：一个人放下红色背包，走出镜头，半分钟后回来。常见结果是，人还像那个人，背包却变了颜色；或者为了避免遗忘，模型死守开头，背景和视角迟迟不肯变化。问题已经不只是“记忆够不够长”，而是有限的记忆该怎样使用。
同期出现的 Ring Forcing、TetherMem 和 RECAP-Forcing，恰好从三个方向回答这个问题：训练模型主动翻查远处历史；根据当前查询决定查哪类历史；按外观是否首次出现来保存历史。三者并非一条统一路线，却共同说明，长视频生成的竞争焦点正从扩大窗口转向选择性记忆。下文的效果和排名均来自三个作者团队的论文自报，尚无外部复现。
记得多，不等于记得对
自回归视频生成像接龙：模型一段接一段往后生成，每段参考此前内容。视频越长，历史越多，它越难兼顾两件事。一是让场景继续发展，二是保持人物和物体的身份。
这里的“物体恒存”（Object Permanence），指人物或物体暂时离开镜头后，再出现时仍能保持原来的外观和身份。模型通常借助 KV Cache——为已经处理过的画面留下的中间笔记——查阅历史。但笔记会不断膨胀，不可能全部精读。
粗暴保留更多历史也会带来另一种失败：模型把旧背景、旧视角和旧场景结构当成不能改变的模板。于是人物还能活动，世界却像被钉在原地。反过来，如果只保留最近画面，早先出现、后来消失的身份线索又可能被清掉。
Ring Forcing：让模型练习“翻旧账”
Ring Forcing 认为，模型即使看得到很远的历史，也未必学会认真使用它。普通训练视频大多沿时间向前展开，短窗口里很少反复出现“离开很久又回来”的对象。模型因此更擅长顺着眼前画面往下接，而不是从远处历史找关键证据。
它的核心训练设计很直观：把一段视频与其倒放版本接成环，再把当前要生成的目标片段藏进较远的历史。要降低训练误差，模型就不能只看最近几帧，必须从远处把“答案”找回来。
团队还随机裁掉历史开头，避免模型利用与目标相邻的画面走捷径；并在一部分训练样本中完全移除环形历史。后一步是为了平衡两种能力：有明确旧证据时严格还原，没有答案可抄时仍能自然续写，而不是把生成变成机械复刻。
看得远仍然很贵。Ring Forcing 因此压缩历史，并利用扩散生成不同阶段的分工：高噪声阶段更关注整体结构和运动，使用时间较密、空间较粗的历史；低噪声阶段负责纹理和边缘，读取时间较稀、细节较多的历史。团队称，这种 timestep composition（按扩散时间步组合记忆）在固定序列长度下，把有效历史扩展到分钟级，并覆盖完整历史。
Sparse RoPE 则负责给压缩后的笔记标位置。RoPE 是一种位置编码，让模型知道内容在时间和空间中的相对位置。Ring Forcing 不把压缩片段简单编号，而是映射回原始时空坐标，帮助模型理解这条线索究竟来自多久以前、画面的哪个区域。
论文用 1 万条 10 至 240 秒的单镜头视频训练模型，并设计了 64 个“出现—消失—再出现”测试案例，消失时长从 0 到 60 秒。另一组 64 个提示词用于生成 60 秒视频。与 LongLive、LongCat、FramePack 相比，Ring Forcing 的人工总体质量评分为 4.22，略高于 4.19、4.04 和 2.25；21 名参与者参与了盲测。它在自动指标中也取得较好的美学、动态和一致性结果，但并非每项都领先，例如运动平滑度略低于几项长视频基线。
消融实验更能说明各部件的作用。在相同设置下，Sparse RoPE 相比普通 RoPE，把历史重建的 PSNR 从 19.05 提高到 24.22、SSIM 从 0.58 提高到 0.71，并把越低越好的 LPIPS 从 0.27 降至 0.13。不过这些结果仍来自作者自建设置。
TetherMem：人物和场景，不该查同一本账
TetherMem 处理的是另一种问题。现有方法往往让所有查询以相似方式访问历史。“查询”可以理解为模型生成当前区域时提出的问题：这个人长什么样，或者这个场景接下来该怎样变化。
TetherMem 把它们分开。主体查询继续读取承载身份的历史，以维持人物可识别性；场景查询则减少对主体历史和陈旧背景的依赖，让背景、视角和场景状态能够往前发展。它还根据画面区域与记忆年龄调节访问强度，相当于让不同问题走不同的资料检索通道。
它不需要重新训练，而是作为 query-aware memory router（查询感知的记忆路由器）接在冻结的视频生成器上。论文报告，在 10 名标注者完成的 2,400 次盲测成对判断中，TetherMem 在八种流式长视频基线里取得最高 estimated expected preference：总体质量为 0.780，场景进展为 0.769。这里的数字是估计期望偏好，不是胜率；2,400 是判断次数，也不是受试者人数。结论限定于完整的 30 秒视频，不能与 Ring Forcing 的分钟级主张直接比较。
RECAP-Forcing：按“第一次出现”存档
RECAP-Forcing 进一步改变了记忆的整理方式。它不问“这帧离现在有多近”，而问“这里有没有第一次出现的外观”。新人物进入、遮挡区域重新显露、新场景首次出现时，对应的 KV Cache 会被保留下来。
这像给不断扩充的角色与场景建立首次亮相档案。最近的画面未必重要，较早但记录了关键外观的画面却可能在很久以后派上用场。
它由两部分组成。视频开头，attention sink（让后续内容持续关注的一组初始记忆）保存初始场景；随后，基于 optical flow（估计画面中像素如何移动的方法）的 novelty bank 检测并保存新显露内容。整个方法不增加可学习参数，也不需要额外训练。
作者提出，记忆规模应随新增内容量增长，而不是随视频时长增长。这目前更适合作为设计原则：摘要没有给出严格的复杂度证明或实测增长曲线。论文还称该方法在多个强基线上持续改善视觉质量和语义忠实度，但没有披露数据集、对照名单、具体增益或显著性检验。
真正的变化，是开始讨论“忘掉什么”
三项工作最值得关注之处，不是又把窗口拉长了一截，而是把“记忆”拆成了不同问题。Ring Forcing关心模型是否会从远处历史准确取回信息；TetherMem关心谁在查询，以及主体和场景是否应该读取同样的过去；RECAP-Forcing关心什么内容值得留下。
这也意味着它们不能简单合并成一句“保留更多关键帧”。Ring Forcing强调全历史感受野和远程检索，TetherMem主动限制某些场景查询对旧历史的依赖，RECAP-Forcing则用外观新颖性取代时间新近性。它们给出的不是同一个答案，而是一张逐渐清晰的问题清单：生成更长的视频之前，模型先要学会有目的地记忆，也要有目的地遗忘。
局限与未知
- 三项工作的具体优势都来自论文作者自报，尚缺第三方复现与统一评测。
- TetherMem 的人工评测只有 10 名标注者；Ring Forcing 的人工评测有 21 名参与者，且测试基准由团队自行构建。
- RECAP-Forcing 摘要没有提供量化结果；Ring Forcing 虽披露了更多实验细节，但“显著优于”同类方法的完整统计依据仍需结合公开代码和复现实验判断。