视频生成模型拍不了长片，病根不在画质，在记性。Diff-VF 给出的结果有点反常：不训一个参数、不动模型结构，只重新安排「去噪」这个过程本身，就把只能拍几秒的模型拉到三四倍长，接缝的跳变和后段的呆滞一起被压了下去。
先看现在大家是怎么干的。主流视频生成模型——Sora、可灵这类产品背后的技术——都是扩散模型：从一团噪声一步步去噪，得到一段视频。训练素材大多只有几秒，长片数据少、算力开销按帧数暴涨，没人养得起端到端的长视频模型。要生成 20 秒，通行做法是滑窗接力：先生成前 5 秒，再以前 5 秒为条件生成下 5 秒，一段段往后滚。
这个做法有两个现成的病。一是接缝：每个窗口独立去噪，窗口交界处画面会跳。二是越往后越不对——要么忘了开头拍的是什么，要么动作越来越小、画面趋近静止。模型对「很久之前」的帧没有约束力，误差一步步累积。
修复分两条路。重训一个长视频模型，贵，每换一次底座重来一次；另一条 training-free（模型原封不动，只在生成过程上做手术）已有几个代表：FreeNoise 复用噪声锁住段与段，连贯但内容重复；FreeLong 改注意力，稳，动作却明显变少；RIFLEx 改位置编码让模型看得更长。这条路线的共性死穴，在评测里看得清清楚楚：一致性分数最高的方法，生成的往往接近静止画面——稳定是靠不动换来的。
Diff-VF 还是走第二条路，转折在于把「长」拆成两个独立问题：全局上要像一部片（不漂移），局部上要接得上（无接缝）。各配一招，再按去噪阶段动态混权。
第一招管全局，混合噪声初始化（HNI）。滑窗生成的每一段都从一份起始噪声出发，Diff-VF 把下一段的起始噪声调成「上一段的噪声 + 一份新噪声」的混合：继承样貌，留出变化余地。混合比例是个显式旋钮，直接拧「稳」和「活」的平衡。
第二招管接缝，加权窗口采样（WWS）。相邻窗口本来就有重叠帧，直接取平均接缝照样跳；Diff-VF 按离窗口中心多近来加权，老窗口渐渐淡出、新窗口渐渐淡入，类似剪辑里的叠化。
第三招最反直觉，时间扩展采样（TES），管的是「很久之前」。把长视频的帧重新排序：第 1、9、17、25 帧抽成一条序列，第 2、10、18 帧抽成另一条。模型一次处理的仍是它熟悉的短片长度，但这条短片在时间上横跨很长——远处的帧被强行放进同一个注意力窗口，长程关系没让模型学任何新东西就建立起来。去噪早期画面布局未定，偏向这招的全局结果；进入细节阶段，再切回第二招的局部结果。
在 LaVie 和 HunyuanVideo 两个底座上，这套做法在长视频评测基准 VBench-Long 上同时拿到更高的动态度和不落下风的一致性。最能说明问题的是 HunyuanVideo 那组数：RIFLEx 和 FreeLong 的动态度只有 0.14 和 0.06，Diff-VF 是 0.44——在别人用静止换稳定的评测里，它把动作保住了。论文已被 ACM TOMM 接收。
对产品团队最实际的一点：这是采样层的改动，底座换一代它跟着换一代，不用重训；对算力预算有限、底座迭代慢的团队，这种外挂比自研长视频模型现实得多。落到工作流：广告和短片的「一镜到底」叙事可以直接叠上去；论文还给了条增强路线（SRG）——先超分、再加噪，去噪时早期锁住输入细节、后期放开补真实感——适合把相册里的旧短片拉成更长更清晰的版本；具身智能和世界模型要的长时程一致性，本质也是记性问题，这类不训底座的采样策略可以当低成本补丁先顶着。
代价也直说。WWS 和 TES 都要多路去噪再融合，省的是训练、不是推理，同一部片子的计算量比原生生成更高；抽帧重排能成立，前提是底座在被拉长的序列上仍然去噪得像样，换底座要重调窗口大小、步长这些超参；外推倍数目前是三四倍，几秒到十几秒，离一部片还远，真人长片里的人物身份和跨场景叙事逻辑，也还不是噪声混合能覆盖的。