millivid

MilliVid 是一个面向长时序视频生成的一致性建模框架，旨在解决传统扩散模型在数百帧以上视频中难以维持几何与语义一致性的难题。其核心采用分层潜在空间设计，通过预训练多尺度自编码器将每帧压缩为从粗粒度（数个token）到细粒度的多级表征，并基于粗到精的自回归 rollout 策略逐步生成视频帧，在有限 token 预算下优先保障关键结构信息的长程连贯性。技术特点包括层级化潜变量建模、计算感知的渐进式生成调度及针对长时序场景优化的训练范式。适用于需要高一致性长视频输出的研究与应用，如仿真环境生成、教育动画、游戏内容创作等对跨帧稳定性要求较高的任务。