你還在為拍視頻頭疼嗎？

想象一下你正在寫一個(gè)故事，主角從城市街頭一路打到未來太空，劇情越來越精彩，突然你靈光一閃——

「如果他這時(shí)候變身成反派，故事會(huì)不會(huì)更炸？」

以前，你得重新寫劇本、找素材、剪輯、渲染……

現(xiàn)在，你只需要打一句話，AI實(shí)時(shí)生成新劇情，而且畫面連貫、節(jié)奏流暢，邊想邊出片，像電影一樣！

近日，NVIDIA聯(lián)合MIT等機(jī)構(gòu)重磅推出LongLive，把交互式視頻生成性能干到SOTA，最長實(shí)現(xiàn)4分鐘，可以實(shí)時(shí)交互式長視頻生成。

項(xiàng)目地址：https://nvlabs.github.io/LongLive/

論文鏈接：https://arxiv.org/abs/2509.22622

項(xiàng)目主頁：https://nvlabs.github.io/LongLive/

視頻1：交互式視頻生成結(jié)果展示

LongLive的驚艷不止于實(shí)時(shí)交互，別家模型「跑長跑就掉鞋」，我們把終點(diǎn)線直接拉到4分鐘——240秒一鏡到底，人物不崩、劇情不跳、鏡頭不晃。

視頻2：和其他模型在長視頻生成上的視覺對(duì)比。LongLive生成速度快的同時(shí)，還保持了視覺一致性和語義上的連貫

對(duì)比Sora2，由于Sora2每次只能生成10秒視頻，Sora2借助GPT-5對(duì)輸入進(jìn)行了優(yōu)化，盡可能地增加背景和上下文信息，來提示Sora2生成的連貫性。

視頻3：Sora2與LongLive在長視頻生成上的對(duì)比。Sora2在視頻質(zhì)感、運(yùn)鏡以及物理規(guī)律模擬等方面非常強(qiáng)大，但難免會(huì)出現(xiàn)突變和不一致。LongLive連續(xù)性好且生成速度快

VBench-Long權(quán)威測評(píng)顯示，LongLive在長視頻賽道拿下84.87總分，領(lǐng)先同量級(jí)選手近4分；背景一致性94.8、主角一致性94.0，全程零閃變，比SkyReels-V2快了41倍。

表1：LongLive和其他模型在長視頻生成上的User Study對(duì)比

回到日常短視頻（15-30秒）場景，一樣「穩(wěn)又快」：20.7幀/秒生成速度，比播放速度還快；VBench短片段評(píng)分86.97，視覺效果依舊SOTA。

表2：LongLive在VBench 短視頻評(píng)測榜單上的性能比較

一句話，無論15秒爆款還是240分鐘大片，LongLive都給你影院級(jí)穩(wěn)感和絲滑產(chǎn)出

現(xiàn)在，很多擴(kuò)散模型的做法由于雙向注意力機(jī)制導(dǎo)致長時(shí)域生成過慢。而另一些則是「把一段視頻一段視頻分別生成然后拼起來」，所以越長越崩，人物形象完全錯(cuò)誤，還有一些方法由于訓(xùn)練階段使用短視頻，推理階段則推長視頻導(dǎo)致訓(xùn)推不一致。

總結(jié)為：

• 不用KV-cache，時(shí)間太慢并且形象錯(cuò)亂。
• 使用KV-cache，實(shí)時(shí)交互困難。
• 訓(xùn)不動(dòng)長視頻，推理則錯(cuò)誤累計(jì)。

而LongLive完美解決這些痛點(diǎn)，一個(gè)真正面向長視頻生成交互式的訓(xùn)練和推理算法。滾動(dòng)式窗口支持長視頻訓(xùn)練，單張GPU實(shí)現(xiàn)240s實(shí)時(shí)交互生成。

視頻4：240s長視頻生成效果

LongLive三板斧

LongLive的核心秘訣是「三把鑰匙」，專門解決「長、順、快」不可能三角：

長跑鑰匙——Streaming Long Tuning

專為「長度」而生：訓(xùn)練時(shí)就讓模型自己跑完240秒，邊生成邊學(xué)習(xí)，像陪練一樣陪它沖過終點(diǎn)，從此不再「train-short-test-long」，越長越穩(wěn)。

圖2：流式長視頻微調(diào)流程圖。

劇情鑰匙——KV-Recache

換劇情時(shí)，舊畫面不丟，新指令立刻生效。就像導(dǎo)演現(xiàn)場改劇本，演員自然接戲，不會(huì)「出戲」或「重來」。

圖3：不同策略對(duì)比來看，LongLive提出的KV re-cahce完美解決所有痛點(diǎn)

時(shí)間錨點(diǎn)和聚光燈注意力——Frame Sink和Short-Window

把開頭幾幀永久「釘」在記憶里，后面無論怎么拍，人物長相、場景風(fēng)格都不會(huì)跑。相當(dāng)于給整部片上了「定妝鎖」。

圖4：LongLive提出的sink策略保持風(fēng)格一致

只看最近關(guān)鍵幾幀，算力減半，畫面反而更穩(wěn)。就像攝影師只追焦主角，背景再亂也不影響鏡頭清晰度。

圖5：LongLive提出的Shift Window策略極致的加速生成和降低算力消耗

三招齊下，才能讓你「邊聊邊拍」240 秒依舊不崩、不跳、不重來，這才是 LongLive敢把「交互式長視頻」做成「打字速度」的大秘訣。

LongLive把「寫一句話」變成「拍一部大片」，長視頻一鏡到底、隨時(shí)改戲、立等可取——從此，長視頻不再是專業(yè)團(tuán)隊(duì)的專利，而是每個(gè)人隨手可得的創(chuàng)意游樂場。

真正的交互式視覺時(shí)代已悄然開啟，AI的每個(gè)靈感都值得被實(shí)時(shí)看見，被長久記住。