论文导读
庆熙大学、得克萨斯大学奥斯汀分校等机构提出Custom Forcing，把参考图直接放进视频模型的长期缓存，生成特定对象时无需为它单独训练。两分钟视频中，主角相似度指标维持在约0.58至0.62。方法根据身份漂移程度加强参考信息，让持续生成的画面保留同一个对象。
长视频里的狗，别越拍越像另一只
输入“山顶上站着一只狗”，视频模型能生成一只符合描述的狗。若用户给的是自己指定的一只，毛色、脸部特征和体形就要与参考照片一致，而且不能拍到后面逐渐换成别的狗。
常见定制方法要为每个对象进行额外优化，或一起处理整段视频。持续向后生成的模型则只能利用已经生成的历史，一段确定后再接下一段。参考身份如何留在越来越长的历史中，是Custom Forcing处理的问题。
它保持视频模型的基础权重不变，把参考图和定制开场画面写入持续保存的注意力缓存。后续每段视频都能读取这些锚点，避免只靠最初几帧留下的间接记忆。
图：红色玩偶、白色狗的参考图与两种视频生成输出。
参考信息要随漂移程度调整
固定锚点仍可能失效。视频不断生成，参考对象的特征会变弱，而文字提示倾向于召回这个类别的一般形象。只写入参考图，并不能保证后面的对象始终一致。
方法先观察已完成片段与参考对象的差异。身份偏离得越明显，就加强参考图中对象区域的影响；背景部分不跟着同样放大，减少参考照片背景干扰新场景。
另一个步骤对比读取锚点与屏蔽锚点两种预测，让生成方向更偏向具体参考对象。一个机制处理随时间积累的漂移，另一个削弱文字对通用类别的拉力，二者共同维持身份。
图：参考锚点写入缓存、漂移调节与锚点对比的处理流程。
两分钟保持身份，不把相似度当成功率
论文使用100组样本检查两分钟持续生成。只放固定锚点时，DINO-I对象相似度从前段约0.58下降到末段约0.42；完整方法在各段维持约0.58至0.62。这个指标衡量图像特征的接近程度，不是“人物身份正确率”。
两分钟整段平均DINO-I，固定锚点为0.501，完整方法为0.623。运动程度指标分别为0.47和0.45，作者据此检查身份增强是否只是把画面冻结。定性图还展示了对象特征随生成时间变化的对照。
在单张H100上，30秒视频比较中的每帧生成耗时，Custom Forcing比所列因果长视频基线快9.5至28.5倍。基线模型大小和实现不同，这组相对耗时不能外推成所有视频产品的统一加速倍数。
图：两分钟生成中完整方法与固定锚点的对象相似度曲线。
下一步：给流式生成增加可持续的对象条件
方法的实际用途是把参考对象条件接进持续生成流程，减少每换一个对象都重新训练的需求。项目演示提供了参考图、文字提示和输出视频，可以并排检查外观是否维持、动作是否继续变化。
后续需要检验更复杂交互、更明显的遮挡和更长时间中的一致性。这里的“免训练”指对象定制阶段保持基础模型不变，并不表示视频模型本身无需训练，也不代表演示已经成为可用的线上产品。
参考资料
https://arxiv.org/abs/2610.02914
