Hugging Face发布RMD框架：革新自回归视频生成质量与效率

摘要：Hugging Face推出了一种名为Rollout-Marginal Distillation (RMD)的新方法，用于提升自回归视频生成的质量与效率。RMD通过独立评估视频片段并结合视频级分布匹配蒸馏技术，在保持时间一致性的同时显著改善了视觉质量。实验结果表明，RMD在训练范围之外仍能保持高视觉质量，并超越了现有的视频级DMD基线方法，为视频生成领域带来了突破性进展。

---

革新自回归视频生成：RMD框架的突破

自回归（AR）视频生成技术因其低延迟和可流式传输的特点，在视频生成领域具有重要应用。然而，预测误差的积累问题一直困扰着该技术，尤其是在长程生成过程中。现有的视频级分布匹配蒸馏（DMD）方法通过联合评分整个生成序列来纠正错误，但这种方法容易受到时间上下文的影响，导致视觉质量下降。

RMD的核心创新

为了解决上述问题，Hugging Face的研究团队提出了Rollout-Marginal Distillation (RMD)框架，其主要创新点包括：

• 独立片段评分：RMD保留生成的历史用于自回归预测，但每个片段独立评分，不受不完美的上下文影响，从而确保视觉质量的纠正不受时间一致性的妥协。
• 视频级DMD恢复时间一致性：在独立片段评分后，RMD应用视频级DMD来恢复时间一致性，弥补了独立评分缺乏时间上下文的问题。

实验结果与优势

通过大量实验，RMD展示了其在以下方面的显著优势：

• 视觉质量提升：RMD在训练范围之外仍能保持高视觉质量，超越了现有的视频级DMD基线方法。
• 时间一致性保持：通过视频级DMD的应用，RMD在时间一致性方面表现优异，确保了生成视频的连贯性。

行业影响与开发者建议

RMD的推出为视频生成领域带来了新的技术路径，尤其在以下方面具有重要意义：

• 提升视频生成质量：对于需要高质量视频生成的应用场景，RMD提供了更可靠的解决方案。
• 优化长程生成效率：通过独立片段评分，RMD减少了长程生成中的误差积累，提高了生成效率。

开发者可以访问https://cjeen.github.io/RMD获取代码和视频结果，进一步探索RMD的应用潜力。

---

消息来源：Hugging Face Daily Papers (2026-09-29)

—— 完 ——

主题标签： #Hugging Face 关注 #视频生成 关注 #自回归模型 关注 #RMD 关注 #DMD 关注