如果在短视频或者社交媒体上，刷到这条视频，我大概会津津有味看完，然后回想这是《猫和老鼠》哪一集。
哪一集都不是，这不仅完全是 AI 生成的，而且是一次性完成。
视频生成一直以来都有一道「天堑」：时长。市面上主流的生成式视频产品，都是以秒为单位，能超过 10 秒就相当不错了，还暂且不谈这十秒里画面崩不崩。
这使得在实际使用中，还是需要剪辑、拼接那些几秒几秒的短镜头。这是目前的技术上限所致，没办法。
伯克利、斯坦福联合英伟达的最新研究，惊人地把一次性生成时长推到了 1 分钟，无剪辑，却仍然保持逆天的一致性。
通过引入测试时训练（Test-Time Training， TTT）层，显著提升了扩散 Transformer 模型生成长视频的能力，使其能够生成长达一分钟、具有复杂多场景故事的连贯视频。
传统 RNN 层（如 Mamba、DeltaNet）的隐藏状态为固定大小的矩阵（例如线性投影），rank 限制了压缩长序列信息的能力。当处理包含数十万视频令牌的上下文时，矩阵的线性表达能力不足以捕捉复杂的时空依赖关系。
聚焦在 TTT 层的创新之处有于，以隐藏状态作为神经网络。在传统的 RNN 中，隐藏状态是用来存储过去信息的，比如之前的输入如何影响当前输出。
通常，这个记忆是一个固定大小的表格（比如数字矩阵），只能简单记录过去的信息，可能不够灵活。但在这项研究中，作者将隐藏状态设计成了一个神经网络，这意味着这个「存储空间」本身具有学习能力。
每当处理新的视频片段时，这个程序会通过练习来调整自己。比如，它会尝试修复模糊的画面（自监督任务），根据修复的效果修改自己的内部参数（用梯度下降法）。
同时，处理每一段视频时，神经网络都会根据当前内容调整参数。就像人在做数学题时，每做一题都会总结方法，下一题用改进后的方法一样。
这样，模型就能记住更复杂的场景变化（比如猫追老鼠的连贯动作），生成长达一分钟的流畅视频。
为了检验成果，研究人员用了《猫和老鼠》作为材料。他们收集了 1940-1948 年间，发布的 81 集原版动画，总共超过 400 分钟。扫描原胶片，保留手绘动画的线条和抖动特征。
人工标注团队依据镜头连续性，将平均每 5 分钟的剧集，分割为 8-12 个场景。并且在这个环节，通过切割和标注的方式，模拟人类编剧从分镜到剧本的创作过程，使模型学习叙事层次结构。
整整一分钟的视频，基本完成了剧本中所要求的情节，除了一些转折处有不自然，整个故事的完整性没有问题。
场景一致性、运动自然性都有惊人的表现。如追逐的场景，各个物体的属性、颜色、形状，以及和空间布局一致性都没有崩坏，证明了模型长期记忆的能力。
想象一下动画片里汤姆追逐杰瑞的经典场面：汤姆可不是简单地直线跑，他会急刹车、猛转弯、跳起来躲避障碍，甚至被砸扁后像弹簧一样恢复。
这些看似夸张混乱的动作，其实也包含物理逻辑。但要让 AI 理解这种复杂的动态场景并不容易。
过去 AI 模型（比如用到MLP技术的）需要学会描绘这种「不走直线」的运动轨迹。
现在 AI 有了一支灵活的「画笔」（MLP的隐藏状态），让它能捕捉汤姆突然加速、变向、摔倒滚成球等各种非线性的、但又符合物理规律的运动变化，而不是只能画直线。
前面提到的 TTT 层，核心创新就像给汤姆加了一个「外挂」，让他拥有超强的「临场反应」能力，能根据实时路况（新数据）微调自己的动作。
比如汤姆能看到香蕉皮的那个瞬间（测试时），立刻调整自己的脚步和姿势（动态调整神经网络参数），试图躲开或者以一种夸张的方式滑倒（上下文自适应）。
他不再靠以前摔倒的经验（静态训练好的模型），而是当场学习和反应（测试时自监督学习）
不过，基础模型，本身对复杂动作的学习不够完美，即使加了 TTT 层，有些错误还是会出现。
对于模型能力而言，如何提高视觉处理能力，始终是一个「长期主义」任务。
Kimi 新开源的 Kimi-VL，就是在模型的视觉能力上继续钻研提高。在这次开源的论文中可以看到，Kimi 用原生高分辨率视觉编码器 MoonViT，来突破传统视觉编码的限制。
传统方法（如 LLaVA-OneVision）需将高分辨率图像分割为子图再拼接，导致信息丢失和计算冗余。
MoonViT 基于 NaViT 的打包策略，将不同分辨率的图像拆分为块并展平为序列，结合 2D 旋转位置编码（RoPE），直接处理原生分辨率图像，保留细粒度视觉信息。
用人话来说，汤姆过去想抓住杰瑞，只能通过好几个小窗户去看一个大房间（ LLaVA-OneVision）。
MoonViT 就像给汤姆换上了一副超高清、广角、还能自动变焦的「超级眼镜」。
他可以直接看到整个房间（处理原生高分辨率图像），无论是墙上的小洞还是桌上的面包屑都一清二楚（保留细粒度信息），而且看得又快又好。
同时，Kimi 首次将 MoE 深度整合到视觉语言模型，跨模态的专家协作，能让语言模型在保留纯文本能力（如代码生成）的同时，激活视觉专家处理图像、视频等多模态输入。
对于视觉-语言的多模态任务而言，模型架构层的研究至关重要，因为多模态数据的异质性、交互复杂性以及任务多样性对模型的表示能力、计算效率和泛化性提出了独特挑战。
想让 AI 能看、能听、能跑、能思考，它的内部模型架构就至关重要。
你不能简单地把眼睛（视觉模块）和耳朵（音频模块）、大脑（语言处理）零件堆在一起。
必须精心设计它们如何连接、如何协同工作（融合异构数据、跨模态关联），才能让 AI 流畅地根据看到的画面和听到的声音做出反应，甚至理解一个包含画面和对话的故事。
更复杂的是，当我们要让 AI 生成长视频时，它不仅要保证画面好看，还得让整个故事情节前后连贯，讲一个完整的故事而不是随意堆砌场景，一分钟的 AI版《猫和老鼠》还是一个雏形。
未来，随着 3D 视觉、音频等多模态扩展，架构研究需进一步探索，跨模态动态路由，结合 TTT 思想设计跨模态交互层，或进一步优化隐藏状态的表达能力（如引入 Transformer 作为隐藏网络），或许是多模态模型架构研究的重要方向。
当大模型拥有了这全套「感官」，那些能帮我们干活但稍显愚蠢的通用 AI Agent ，可用性也将大大提升。
✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）
