AdaState: Self-Evolving Anchors for Streaming Video Generation
AdaState: 用自适应锚点替代静态首帧以提升流式视频生成动态性
🧭 流式视频生成 · 自适应 KV 缓存锚点
Virginia Tech
将自回归视频扩散模型中的静态首帧锚点替换为与内容同步演化的自适应隐状态，打破场景僵化并显著增强运动与镜头变化
📌 工作参考价值（4 点）
- 生成式序列的自适应锚点设计：在生成式推荐（如 Semantic ID 逐 token 生成）或 query 改写链中，借鉴用可演化的隐状态取代固定首 token 锚点，避免早期 token 过度主导后续生成，可提升长期推荐的多样性与动态适应性。
- KV cache 作为状态载体：将 KV 缓存视作循环的隐状态，通过注意力机制实现状态转移，无需额外模块；可在 Agent 的对话记忆或工具调用链缓存中利用该思路，在保持效率的同时实现自适应上下文演化。
- 相对时间与绝对位置的解耦：将时间编码与绝对步数解耦，使生成过程在任意长度上保持一致的位置结构，可应用于无限长序列的推荐生成或滚动式创意文案生成，避免 positional encoding 漂移导致的性能退化。
- 隐状态去噪但不渲染的机制：在电商场景中，可为推荐解释/创意文本生成引入一个“幕后状态”来追踪长期目标，与可见输出同步去噪但不出现在最终文本中，帮助保持主题连贯性而不压制内容变化。