反事实历史残差：长视频生成中的环路内漂移检测与校正

📘 原文信息

标题：Counterfactual-History Residuals: In-Loop Drift Detection and Correction for Long Video Generation

作者：自留研究笔记（基于公开前沿论文的归因与组合）

发布日期：2026-07

本文目标：把”一致性随时间变差”这件事从”一个 horizon 下的标量分数”拆成”可拟合的漂移律 + 可干预的环路内信号”，并给出全部方法构件

一、为什么这个 gap 值得专门写一篇#

长视频生成走到 60 秒、240 秒、5 分钟这个量级，整个赛道已经能稳定跑出”60 秒主体一致性 0.94”这种数字。但只要把这条曲线按时间画出来看，几乎所有公开系统都是同一个形状：

一开始一致，中段开始偏移，越往后偏移越快。

这意味着今天我们报告的指标里根本没有”漂移是怎么发生的”这层信息——只有”漂移在某个 horizon 上累积到了多少”。也就是说，“我们的方法把漂移的发生推迟了”和”我们的方法去掉了漂移的复利机制”，这两种讲法在现在的 benchmark 协议下根本不可证伪。

CHR（Counterfactual-History Residuals）想做这件事的核心两步是：

构造一个环路内的、可微的、按实体的漂移观测量——这是过去两年所有长视频方案都没有的；
把这个观测量接上一个三步门控下降，让它真的能改写被注意的历史，而不是只生成一段事后分析报告。

下面我们按笔记里的 12 个 step 一一拆。

二、问题的结构性来源：闭环条件化的不可观测性#

2.1 根因不是某个系统的问题，是一类问题的结构性质#

任何”条件历史只来自自己前几帧生成结果”的长视频生成器（frame-AR、segment-AR、稀疏注意长上下文变体），结构上都没有一个观测量可以把”累积漂移”和”提示词让我合法演化”分开：

留存下来的帧既是记忆也是唯一可用的”地面真相”。
所以”当前生成的主体和我应该长得不一样”这件事，根本没被表示，更别说被估计。

A2RD 是这条线上最诚实的一个回应——它直接跳出闭环，调外部多模态 LLM 当 judge 给每段打”预期 / 异常”。但这个信号是事后、段级、不可微、校准到只抓明显违规的，且用来打分的那些帧本身就可能已经漂走了。

2.2 前沿方案的留存代理都在回答错的问题#

把当前前沿五种留存方案摆在一起看，它们选的代理指标都是：

方法	留存代理
Mixture of Contexts（2025-08）	chunk 键向量的均值池化描述子
Deep Forcing（2025-12）	仅最后 R 个查询的 softmax 前 logit 之和
LongLive（2025-09）	永久钉住的首帧 sink + 固定近期窗口
Radial Attention	索引距离
FreeSpec	奇异值能量

它们都在回答”对下一帧哪些历史是相关的”。没有任何一个在回答”我留下来的那些帧里，主体还长得对不对”。

所以今天这个赛道可以说”60 秒一致性 0.94”，但没法区分”延迟了漂移起点”和”移除了复利机制”——而只有拟合出的复利指数 $\alpha$ 才能让这两种讲法可证伪。

2.3 为什么是现在：三个 12 个月内的落地#

分钟级长度已成常态：LongLive 在 1.3B 因果 AR 检查点上跑 240 秒；Deep Forcing 在冻结 Self-Forcing 上做免训练 KV-cache 手术。长 rollout 便宜到可以在十几个 horizon 上拟合曲线，而不是只打一个点。
留存决策成了显式可微对象：Mixture of Contexts 把 chunk 路由做成”按头学习的稀疏选择”，这正好是一个可以挂小标量门而不动骨干权重的接口。
A2RD 同时给了需求和反证：5/10 分钟闭环纠错有收益，但证明了”全场唯一的漂移探测器是环路外的 MLLM judge”——而这恰恰是不可微、不能解析逐帧身份位移的工具。缺的从来不是算力，是”对生成器条件状态的函数”这种观测量。

三、方法全景：CHR 的 12 个 step#

CHR 由 5 个模块 + 7 个支撑 step 组成，按笔记里 M1–M6 的顺序铺开。模块骨架：

模块	解决的子问题
背景 S1 / S2	把冻结骨干的内部打开、把命名实体建表
M1：实体外观读数	把每一帧每个实体的”被渲染成什么样”变成一个向量
M2：反事实历史残差	构造漂移观测量本身
M3：CHR 驱动的留存算子	把观测量变成动作
M4：感知审查的再现协议	把”被驱逐的实体”从”看起来干净”里挑出来
M5：混淆受控的实例集	用配对脚本把”提示词命令的改变”当作受控变量
M6：漂移律诊断与对比	用场外 oracle 拟合生长指数，对照所有主流留存策略

下面逐模块看。

四、背景 S1 / S2：把骨干打开、把实体建表#

4.1 S1 给冻结骨干装钩子（Instrument）#

在 Wan2.1-1.3B 和 LongLive 1.3B 因果 AR 检查点上分叉推理代码，注册前向钩子到 DiT 第 10–19 / 30 个 block（层集合先验固定，做 ablation 时换）。每条钩子在每个去噪步捕获三个张量，且不触发第二次前向：

头后 softmax 注意力矩阵 $A^{(\ell, h)}$ ，形状 [heads, spatial_tokens, text_tokens]
值投影张量 $v^{(\ell)}$ ，形状 [spatial_tokens, d_head · heads]
当前 KV-cache chunk 索引映射（每个键位置属于哪个历史 chunk）

写入按 (block, denoising_step) 预分配的缓冲；只有 attention-logit 路径保留 autograd（后面要反向传播）。同时暴露两个控制手柄：(a) 对 cross / self attention pre-softmax logit 的逐键加性偏置；(b) 对 KV-cache 位置的布尔掩码——可以限制读某一时段子集，或把 cache 清空。

💡 小吴笔记：这一步是整个 CHR 能成立的前提。过去的方案里，所有”观测量”都是渲染之后的下游产物（图像 / 嵌入 / MLLM judge 输出）；只有把骨干内部暴露出来，才能做出”对生成器条件状态的函数”这种观测量。

4.2 S2 命名实体（Entity Index）#

用 spaCy（en_core_web_trf，确定性、无微调）的 noun_chunks 拿到候选实体 span，按字符偏移对齐到骨干自己的分词器索引——一个 spaCy chunk 跨多个分词时取并集。丢掉代词头和纯抽象名词；合并只差冠词的实体。

每个实体维护一行：

entity_id：按”lemmatized head + 修饰语”与已知实体做精确字符串匹配；段落 3 里”the red-coated woman”复用段落 1 的 id
当前 prompt 的 span $S_e$
首次出现的段号
active 标志

切 prompt 时按同一条 lemmatization 规则匹配新旧表，未匹配到的当新实体。

💡 小吴笔记：选 spaCy 不是因为它最强，是因为它便宜、确定性、无训练。CHR 不引入”第二个训练组件来抢功劳”——这是后面 gate-descent leg 能立住的关键。

五、M1：实体外观读数（Entity Appearance Readout）#

5.1 把已经存在的注意力 / 值张量压成”按实体的外观向量”#

对每个实体 $e$ 和每个钩子层 $\ell \in L$ （前面 10 个 block 10–19）：

把 post-softmax cross-attention 在所有头 $h$ 和实体 span 内所有 text-token 位置 $j \in S_e$ 上求和 → 得到每个 spatial token $i$ 的非负分数
在 spatial tokens 上重新归一化到 sum=1 → 权重图 $\tilde{w}^{(\ell)}_{e, i}$
在该权重下对值向量 $v^{(\ell)}_i$ 做加权平均 → 每层一个 $d_\text{model}$ 维向量
沿 $L$ 的固定顺序拼起来 → 实体外观读数 $a_e$ （维度 $10 \cdot d_\text{model}$ ）

全部操作只是对已经存在的注意力 / 值张量做收缩，没有额外的去噪前向，对注意力权重可微。每个去噪步、每个段都重算一次，挂 (entity_id, denoising_step, segment, which-history-mask-was-active) 四个标签输出。

a_e \;=\; \bigoplus_{\ell \in L} \sum_{i} \tilde{w}^{(\ell)}_{e,i}\, v^{(\ell)}_i, \qquad \tilde{w}^{(\ell)}_{e,i} \;=\; \frac{\sum_{h}\sum_{j \in S_e} A^{(\ell,h)}_{i,j}}{\sum_{i'}\sum_{h}\sum_{j \in S_e} A^{(\ell,h)}_{i',j}} \tag{1}

5.2 两个前提（P1 / P2）标了出来#

P1：名词短语的注意力局部化到”正在渲染该实体”的区域——读数才找得到对的地方。
P2：中间 block 的值投影携带”外观”而非仅”布局”——读数才是外观读数。P2 标为”未测试”，所以层集 $L$ 要做 ablation。

六、M2：反事实历史残差（Counterfactual-History Residual）#

这是 CHR 的核心，三步搭出来。

6.1 S4 双子集残差：同一潜变量读两次#

固定当前潜变量、prompt embedding、timestep 和噪声，对 S3 的读数在两个不相交的 KV-cache 掩码下各读一次：

“近期”掩码：只暴露属于最近 $W$ 帧的 cache 位置
“早期”掩码：只暴露属于最老仍驻留 chunk 的位置

只重算注意力读，键 / 值直接复用、不重跑去噪更新——两次读仅”由哪些历史条件化”不同。原始残差：

r_e \;=\; a_e^{\mathrm{recent}} - a_e^{\mathrm{early}} \tag{2}

掩码外位置在 softmax 前就被排除，所以每次读都是”对自己子集的合法归一化注意力分布”，而不是全集合的一片切片。 $W$ 取多少、是按帧数 / chunk 数 / 当前 cache 占用比例、warm-up 规则怎么定留给作者决策。

这就是反事实对比：两次读共享 prompt、timestep、噪声。身份稳定 → 两份子集可互换 → 残差接近 0；累积漂移 → 两者分歧 → 残差非零。

6.2 S5 提示词允许的变化子空间：把”应该改的”挖出来#

每 4 个去噪步（固定步长，投影器缓存复用），再跑两次 S3 注意力读——KV-cache 清空，一次用当前 prompt $P_m$ ，一次用开场 prompt $P_0$ ，保持同样的潜变量、timestep 和噪声。两者只差文本条件，差向量：

u_e \;=\; a_e^{\mathrm{null}}(P_m) - a_e^{\mathrm{null}}(P_0) \tag{3}

由于 cache 空，没有任何生成帧进入读—— $u_e$ 按构造无漂移。

每个实体维护一个长度为 3 的 ring buffer：当前刷新 + 前两次。三个 $u_e$ 堆成列向量，做修正 Gram-Schmidt 正交化，残差范数小于 $1\!\times\!10^{-6}$ 的列丢弃。存活列张成的子空间基底 $U_e$ ，对应的投影器每刷新一次物化一次并缓存。

$P_m \equiv P_0$ （按字节相同）→ 差为 0 → 子空间 rank=0 → 投影器是零算子
$P_m$ 中不存在的实体 → 本轮不贡献方向，buffer 保留旧条目
经验上有效秩约 1

💡 小吴笔记：P3（提示词 token 流是唯一不由生成帧决定的条件元素） 是这一步能成立的根据——“cache 为空”那两次读把”历史”这一项彻底拿掉，剩下的差只可能是文本条件允许的合法变化。按步长摊销是把它压在实时附近 rollout 预算里的关键。

6.3 S6 计算并记录 CHR（仅测量模式）#

CHR 是按实体按去噪步的无量纲标量：

\mathrm{CHR}_e \;=\; \frac{\left\lVert (I - \mathrm{Proj}_{U_e})\, r_e \right\rVert_2}{\max\!\left(\lVert a_e^{\mathrm{early}} \rVert_2,\; 0.1 \cdot \mathrm{median}_{e'} \lVert a_{e'}^{\mathrm{early}} \rVert_2\right)} \tag{4}

分母的 floor 是”该段所有活跃实体的早期读数范数中位数 × 0.1”——防止一个几乎不被关注的实体把求和目标以数量级压过去。

仅测量模式下，CHR 只写不改：

每 (segment, denoising_step, entity_id) 写一行 Parquet：CHR、原始残差范数、被投影掉的那部分范数、两种掩码下的归一化注意力质量、 $U_e$ 的 rank
门、cache、去噪轨迹全部原样，输出视频与未改骨干bit-identical

这一步的目的就是先在所有未改基线上画出”漂移 vs horizon”曲线——CHR 此时只是观测器。

💡 小吴笔记：CHR 估计的是”读数漂移中可归因到漂移的那部分”，不是感知身份距离。诊断和被诊断的对象解耦，避免自我打分的循环。

七、M3：CHR 驱动的留存算子（Retention Operator Substitution）#

7.1 挂门 + 三步下降#

给每个驻留 chunk $c$ 一个可学习标量门 $g_c$ 。初始化为该 chunk 在骨干原生评分下的值——注意力分布在初始化时正好等于骨干自己的。

$g_c$ 作为加性偏置作用在该 chunk 所有键位置的 pre-softmax logit 上（在每一个被装钩子的注意力层）。在段边界，跑 $T=3$ 步 Adam 优化：

g \leftarrow g - \eta\, \nabla_{g} \sum_{e} \mathrm{CHR}_e \tag{5}

骨干权重全部冻结，梯度只沿 S3 读数收缩的注意力权重回传。每步后做两个稳定化：

钳位：近期窗口 $\mathcal{W}$ 内的所有 chunk 必须满足 $g_c \ge g_c^{(0)}$ ——永远不会比初始还低
熵底：若 $\mathrm{softmax}(g)$ 的熵低于底 $\tau_H$ ，用最小范数修正把熵补回去

然后放开更新后的门，继续去噪本段——实际产出的帧就此与基线分叉。

7.2 两个稳定器为什么是必选而非可选#

无标签内部目标有个已知的退化解：把整个场景冻死。两个稳定器是把退化解关掉：

钳位 → 近期窗永远不会被压到 0
熵底 → 不会塌缩到单个 chunk

💡 小吴笔记：这一步是传播到输出的路径，也是对 pooled-similarity / recency-logit / positional 三类原生留存策略的真正替换：门变了 → 各查询注意的历史变了 → 潜变量变了 → 实际产出的帧变了 → 一切下游一致性数字跟着变。Adam 学习率 $\eta$ 与熵底 $\tau_H$ 取多少、是全局常数还是按骨干校准留给作者决策。

八、M4：感知审查的再现协议（Censoring-Aware Reappearance）#

8.1 把”看着没事”翻译成”不可观测”再召回#

CHR 的输入天然采样自骨干已有的留存策略选定的生存集——被 FIFO 窗口 / recency 评分驱逐的实体在两个子集里都缺席，CHR 给它打的是假干净。

M4 在算分数之前先做审查：

对实体 $e$ 看它在”近期掩码”和”早期掩码”下的归一化 cross-attention 质量之和
若 $e$ $e$ 在当前段 prompt 活跃但两个掩码下都低于 floor $\phi$ → 不记 0，而是显式输出状态 unobserved，触发召回：
- 查 CPU 端的”驱逐 chunk 仓”——按 chunk_id 索引的 dict，存被驱逐的 keys、values、帧范围，以及该实体被驱逐时记下的归一化注意力质量均值
- 取该实体被驱逐时注意力质量 argmax 的那个 chunk
- 把它的键 / 值带原始位置编码拷回驻留 cache，门初始化为”驻留 chunk 里的最低原生评分”
- 用扩大后的 cache 重算残差和分数
仓里没有该实体的 chunk → 状态维持 unobserved，该步不记分数

$\phi$ 用每个骨干一次校准：跑 20 段短生成，对每个实体记归一化注意力质量分布，取 5 分位数冻结。

💡 小吴笔记：P5——CHR 的输入被骨干已有的留存策略偏选过——直接落到这一步。原来”被驱逐就当没事”的隐性失败，被显式翻成召回动作。

九、M5：混淆受控的实例集（Confound-Controlled Instance Set）#

9.1 把”提示词命令的改变”做成受控变量#

CHR 默认会被”提示词让我改、我没漂”误报——这就是”看似漂、其实没漂”的核心混淆源。M5 用配对脚本把它做成变量：

120 对 5 分钟配对脚本：每对里两段 prompt token-identical，仅在单个 change clause 上不同
- 60 对 static-identity：实体外观描述在所有段里恒定
- 60 对 commanded-change：在脚本时间 $\tau$ 处改写某个实体的外观属性（衣服颜色 / 发型 / 配饰），改后保持
- $\tau$ 在 rollout 中段均匀采样，写进脚本元数据
- 机械强制 token-identical：两 prompt 在骨干自己的分词器下 diff，diff 不止 change clause 就拒收
40 段再现脚本：复用 LVbench-C 的循环实体 / 环境结构——某实体先活跃、再缺席、再活跃，进出时间都记
整套发为 manifest：每段实体 id 按 S2 的同一规则对齐，评测不需要重新解析

💡 小吴笔记：保持命令变化固定为变量，才能测试投影器的工作是不是真的——而不是默认它工作。

十、M6：漂移律诊断与对比（Drift Law Diagnostic and Comparison）#

10.1 S10 用场外 oracle 拟合漂移律#

每个生成视频：

人脸逐帧检测 → ArcFace（ResNet-100，公网权重，冻结） 嵌入
服装 / 背景 → 实体分割掩码上 DINOv2 ViT-L/14 patch 嵌入平均（服装），固定非实体区域（背景）

每个实体的 $d(t)$ 定义为当前帧嵌入与参考嵌入的余弦距离：

static-identity 脚本：参考是 $t=0$ 的渲染
commanded-change 脚本：参考是 $\tau$ 后意图的渲染，只有 $\tau$ 后的帧进拟合

$d(t) = a + b \cdot t^\alpha$ 用 Levenberg-Marquardt 非线性最小二乘拟合（ $\alpha$ 从 1.0 初始化，多重启避免局部极小，约束 $\alpha > 0$ ）；按方法、按脚本类分别拟合。 $(a, b, \alpha)$ 的置信区间用脚本级（不是帧级）非参数 bootstrap——脚本内帧是依赖的，不能独立重采样。

$d(t) = a + b \cdot t^\alpha$ —— $a$ 是即时偏移， $b$ 是常数， $\alpha$ 是复利指数。CHR 的核心预测就是关于 $\alpha$ 的断言：和 $b$ 分开，“延迟发生”和”移除复利”才可证伪。

💡 小吴笔记：oracle 不出现在机制里——打分用的是机制自身的信号就是循环论证。CHR 把这条直接切断。

作者决策点：commanded-change 脚本里 $\tau$ 后的参考渲染从哪儿来——独立生成的 changed-appearance 图、rollout 自己的帧、还是策展的静帧？管线里不存在”未漂移的 changed-appearance 渲染”，必须显式选一个。

10.2 S11 可恢复 vs 已被吸收的切分#

40 段再现脚本上，对每个实体 / 每次脚本化的退出-再现循环，记三件事：

$d_\text{pre}$ ：脚本退出前 2 秒的距离均值
$d_\text{ret}$ ：再现后第 1 秒的距离均值
$d_\text{10s}$ ：再现后第 10 秒 ± 0.5 秒窗口的距离均值

判定：

可恢复： $d_\text{10s}$ 比跳变回退至少一半， $d_\text{10s} \le d_\text{pre} + 0.5 \cdot (d_\text{ret} - d_\text{pre})$
已被吸收：回不到 $d_\text{pre}$ 附近，trace 停在回后水平
不可判定：跳变本身在噪声以下（按”退出前窗口的距离标准差”估计）→ 排除，不算可恢复

报告已被吸收比例 = 被吸收循环 / 被判定循环，按方法 + 脚本级 bootstrap 区间给出。

💡 小吴笔记：这一项为 M4 的召回动作给了它该移动的那个指标——也是 recency-only 评分 / 队列局部对应信号结构性无法表达的那个失败模式的名字。

10.3 S12 与所有主流留存策略对位#

在完全不打补丁的情况下，对五种主流留存策略重跑仅测量日志、oracle 拟合、可恢复 vs 被吸收切分：

LongLive
Mixture of Contexts
Deep Forcing
Radial Attention
一个锚定树采样（ATS）风格的分层 rollout 调度器

每条策略用各自公开实现、同一骨干、同一受控实例集、同一 seed、同解码设置——方法作为唯一变量。

每个条件下同时报告：

拟合指数（按方法 × 脚本类的脚本级 bootstrap 区间）
基线两两区间重叠与CHR-gating 与每条基线的区间重叠——“基线 $\alpha$ 互不可分、CHR-gating 的 $\alpha$ 更低”这个断言从表上就能直接判
VBench-Long：subject consistency、background consistency、dynamic degree（官方代码、默认设置）

💡 小吴笔记：指数断言天生是相对的。同时报 dynamic degree 是把”motion suppression 假说”显式摆出来——任何一致性增益都得能在这条轴上分开解释。

十一、Reviewer 关心什么、笔记里怎么回#

11.1 [non-blocking] “ATS 直接改了 $\alpha$ 你怎么还说自己是第一个？”#

关切：Anchored Tree Sampling（ATS）正是冲着 CHR headline claim 里的量来的——它是无训练推理期调度器，用稀疏到密集、锚定有界的树状 imputation 替代从左到右 rollout，显式宣称”把 horizon 复利漂移转成有界的树状结构”。CHR hook 主张”CHR-gating 是第一个弯曲 $\alpha$ 本身而不是平移常数 $b$ 的量”，反驳设计基于”基线 $\alpha$ 互不可分而 CHR-gating 的 $\alpha$ 更低”。ATS 是合取第二半的活反例：它改变了误差传播的因果结构（关键路径从 $K$ 个串行步变成 $L+1$ 个分层步），不是简单优化”留哪些历史”。如果 ATS 也降 $\alpha$ ，CHR 的”第一个”叙事就垮。

为什么机制没被动：ATS 不构造漂移观测量、不做任何 per-entity / 环路内的计算、不能区分命令变化和漂移——锚定 gap 仍开着，CHR 构造原样未动。

回应：威胁落在优先级叙事，不在机制。把 hook 改成显式限定到留存策略——“在决定保留哪些历史的方法里，CHR 是第一个被证明移动指数的内容派生量”；在 falsification_prediction 与 core_mechanism 中把 ATS 作为第六种条件纳入拟合指数对比，而不是排除在外。如果它也降 $\alpha$ ，那是报告出来的相对结果，不是反证。

受影响字段：core_mechanism、core_mechanism、hook、falsification_prediction

11.2 [non-blocking] “gate-descent 这套怎么不是 test-time adaptation 的复刻？”#

关切：门下降这一腿——在冻结骨干上对无标签内部目标做推理期最小化、用一个熵底防崩溃——结构性很像测试时自适应（TTA，Test-Time Adaptation）里那支冻结骨干 + 小杠杆 + 熵底的经典谱系（Tent-lineage），别名通道大量浮出的 SPOT-E、《Rethinking Entropy Minimization in TTA for Autoregressive Models》、ZeroSiam 等都是它的近亲，只是以”通用 TTA”而非”视频生成祖先”形式出现。针对这条词汇做 scoop-check 是必要动作——另外，双子集对比在结构上就是 leave-one-context-out 归属，是 interpretability 那边一个有名字的家族，检索池根本没捞到。

回应：不宣称这条核查已经通过。要让候选 delta 立住，针对以下三条词汇做定向 scoop-check：

test-time entropy minimization frozen backbone collapse regularizer
inference-time internal-objective descent on attention gates
counterfactual context ablation attribution

TTA 谱系相似的是优化器外壳（冻结骨干 + 小杠杆 + 熵底），不是目标——承载新颖性的是目标。如果 leave-one-context-out 归属已经在生成 rollout 里给出 per-chunk 身份不一致度，delta 就要收窄到”投影 + 审查协议”两点，单凭这两点重论。

受影响字段：core_mechanism、core_mechanism、hook、falsification_prediction

11.3 [non-blocking] “无标签信号靠校准是否站得住？”#

关切：Gap-closure reject-check 在 gap 1（C07：制造监督信号）上贴边——无标签信号的有效性默默依赖模型校准，恰好在校准最差的深网络里失败。

回应：C07 边界问题在 core_mechanism 里结构性回答，而不是靠断言：

无标签目标的有效性从不挂在骨干校准上——CHR 是同一潜变量在同 timestep、同 prompt 下两次读的对比，任何两侧共有的失校准在差里抵消
针对 reweighting-overlap 教训，falsification_prediction 要求保秩置换对照——门的机械结构、钳位、熵底全部保持不变，chunk 身份对应被打乱——CH 增益若归功于通用 reweighting 而非内容，会表现为下游指标回到基线；audit 的”门的杠杆可以无效”verdict 由要求杠杆的效应显示在 $\alpha$ 上、不是 CHR 自身满足

受影响字段：core_mechanism、core_mechanism、hook、falsification_prediction

11.4 [non-blocking] “只对合成数据校验的仪器生态效度不够”#

关切：Gap-closure reject-check 在 gap 2（C02：设计混淆隔离诊断）上贴边——合成 ground truth 的仪器只在合成数据上校验，没证明受控发现能迁移到真实实例，生态效度没立。

回应：C02 的生态效度担忧锚在 core_mechanism 的双仪器切分 + core_mechanism_steps：

受控合成轴只是”保持命令变化固定”的配对脚本
读数是场外 ArcFace/DINOv2 oracle 在真实生成视频上打分
同一拟合律也报在 LVbench-C 的再现脚本上、并对照 VBench-Long 的 subject consistency 与 dynamic degree
仪器从未仅在合成 ground truth 上校验——受控配对隔离混淆，无控公开 benchmark 立迁移

受影响字段：core_mechanism、core_mechanism、hook、falsification_prediction

十二、总结与未决项#

CHR 的核心叙事是：

现有长视频一致性的报告协议结构性缺失一维信息——“漂移怎么随时间发生”被压成一个 horizon 下的标量
结构原因不是算力，是”没有任何观测量是生成器条件状态的函数”
CHR 闭合两件事：
- 用双子集反事实对比 + 提示词允许变化子空间投影，给出环路内、可微、按实体的漂移观测量
- 把这个观测量接到三步门控下降 + 钳位 + 熵底，真正改写被注意的历史，而不是事后打报告
把可证伪性写进评测：拟合 $d(t) = a + b t^\alpha$ 的 $\alpha$ 区间，把”延迟发生”与”移除复利”拆成两个可由表判定的命题
ATS 这条基线必须纳入对比——它恰好是这条主张的潜在反例，CHR 自己也在回应里承认优先级叙事要限定到留存策略类

给做长视频 / DiT 的研究者几条提醒#

“环路内 + 可微” 这两个修饰不是装饰。过去两年所有”漂移探测器”都至少缺一个——MLLM judge 缺可微、oracle 缺环路内、recency 评分根本不构观测。CHR 把这两个修饰同时满足，才有后面的门控下降可言。
“保持命令变化固定为变量” 是诊断设计的硬性约束。commanded-change 是感知身份检测器最常误报的地方，没有配对脚本，CHR 的投影器根本没有可验证的工作定义。
gate-descent leg 的两个稳定器都是必选。不是用来”提一点点分数”的工程技巧，是把”冻死整个场景”这个退化解关掉的必要条件——这一点在 TTA 谱系里已经是常识，但迁移到视频生成时容易遗忘。
复利指数 $\alpha$ 应该作为方法报告的一部分。和 VBench-Long subject consistency 一起报、互相对照——单一数字报分数的研究叙事正在让”我把漂移推迟了”和”我移除了漂移”这两种讲法变得不可证伪。
ATS 进了基线集——CHR 自己的回应里就要求加，这件事本身就是”叙事要和证据同强度”的一次自我约束。任何声称移动 $\alpha$ 的新方法，默认要把 ATS 摆进去。

未决项（笔记里留给作者决策的点）#

S4 里 $W$ 的取值与 warm-up 规则（按帧 / chunk / cache 占比）
S7 里 Adam $\eta$ 与熵底 $\tau_H$ 的全局常数 vs 按骨干校准
S10 里 commanded-change 脚本 $\tau$ 后参考渲染的来源（独立生成 / rollout 自帧 / 策展静帧）

这三个点不决定 CHR 的成立，但决定实验可复现性的工程口径。

相关前沿参考：

A2RD (arXiv 2026-05)：closed-loop agentic Retrieve–Synthesize–Refine–Update over Multimodal Video Memory，5 分钟 96.7% 角色一致性
Mixture of Contexts (arXiv 2025-08)：per-head 学到的稀疏路由 over 内容对齐 chunk
Deep Forcing (arXiv 2025-12)：冻结 Self-Forcing 上的免训练 KV-cache 手术
LongLive (arXiv 2025-09)：1.3B 因果 AR 上 240 秒交互式生成
Ouroboros-Diffusion（AAAI 2025）：subject-aware cross-frame attention + self-recurrent guidance
Anchored Tree Sampling（ATS）：稀疏到密集、锚定有界树状 imputation rollout
VBench-Long：subject consistency / background consistency / dynamic degree 官方评测
LVbench-C：循环实体 / 环境结构用于再现评测

一、为什么这个 gap 值得专门写一篇#

二、问题的结构性来源：闭环条件化的不可观测性#

2.1 根因不是某个系统的问题，是一类问题的结构性质#

2.2 前沿方案的留存代理都在回答错的问题#

2.3 为什么是现在：三个 12 个月内的落地#

三、方法全景：CHR 的 12 个 step#

四、背景 S1 / S2：把骨干打开、把实体建表#

4.1 S1 给冻结骨干装钩子（Instrument）#

4.2 S2 命名实体（Entity Index）#

五、M1：实体外观读数（Entity Appearance Readout）#

5.1 把已经存在的注意力 / 值张量压成”按实体的外观向量”#

5.2 两个前提（P1 / P2）标了出来#

六、M2：反事实历史残差（Counterfactual-History Residual）#

6.1 S4 双子集残差：同一潜变量读两次#

6.2 S5 提示词允许的变化子空间：把”应该改的”挖出来#

6.3 S6 计算并记录 CHR（仅测量模式）#

七、M3：CHR 驱动的留存算子（Retention Operator Substitution）#

7.1 挂门 + 三步下降#

7.2 两个稳定器为什么是必选而非可选#

八、M4：感知审查的再现协议（Censoring-Aware Reappearance）#

8.1 把”看着没事”翻译成”不可观测”再召回#

九、M5：混淆受控的实例集（Confound-Controlled Instance Set）#

9.1 把”提示词命令的改变”做成受控变量#

十、M6：漂移律诊断与对比（Drift Law Diagnostic and Comparison）#

10.1 S10 用场外 oracle 拟合漂移律#

10.2 S11 可恢复 vs 已被吸收的切分#

10.3 S12 与所有主流留存策略对位#

十一、Reviewer 关心什么、笔记里怎么回#

11.1 [non-blocking] “ATS 直接改了 α\alphaα 你怎么还说自己是第一个？”#

11.2 [non-blocking] “gate-descent 这套怎么不是 test-time adaptation 的复刻？”#

11.3 [non-blocking] “无标签信号靠校准是否站得住？”#

11.4 [non-blocking] “只对合成数据校验的仪器生态效度不够”#

十二、总结与未决项#

给做长视频 / DiT 的研究者几条提醒#

未决项（笔记里留给作者决策的点）#

11.1 [non-blocking] “ATS 直接改了 $\alpha$ 你怎么还说自己是第一个？”#