生成视频像给整幅画反复润色：天空可能第一遍就够了，人物的手和运动边缘却还要细修。现有少步自回归视频模型——依据已生成内容继续往后生成——通常让每个 Token（画面中的时空小块）走完同样多轮去噪。Choi 等人提出 Speculative Forcing，让不同 Token 按各自难度决定何时停算。
具体来说，系统把每轮产生的清晰估计当作“草稿”，由验证器判断它是否已经接近完整去噪的结果。通过的 Token 立即冻结，不再更新；它留下的 KV Cache——供模型后续参考的中间信息——仍可帮助其他区域继续生成。作者提供两种验证器：一种无需训练，根据内容相似度和前后稳定性判断；另一种读取生成器的中间特征，预测继续去噪还会改变多少。
作者报告，在 LongLive 上，这套方法以平均每个 Token 1.7 步去噪匹配原本四步生成器的质量，短、长视频分别达到 41.7 和 37.8 fps。它的价值不只是少算几轮，而是把“整帧一起停”细化为“画面各处分别停”，为流式视频生成腾出新的加速空间。