Alibaba 研究团队（AMAP）的 MIGA 拿到了 ICML 2026。这篇论文解决的是一个非常具体但极其重要的工程问题：怎么让现成的短视频扩散模型生成长视频，而且不用重新训练、不占更多内存。

答案是两条路径并行：先对齐训练和推理的噪声世界，再让模型自己反省、同时睁眼看远方。

---

问题根源：训练时只见过"整齐的队伍"，推理时却面对"杂牌军"

现成视频扩散模型（VideoCrafter2、Wan2.1 等）在训练时有一个默契约定：输入模型的所有帧 latent 处于同一个噪声水平。比如一批 16 帧，全部在 timestep τ=25 的状态。模型学会的是"把噪声水平 25 的这批帧变成更干净"。

但 FIFO-Diffusion 这类免训练无限帧生成框架为了自回归推进，维护了一个噪声队列 Q。队列里第一帧几乎干净（τ≈0），最后一帧还是纯噪声（τ=T）。每次模型去噪时，用滑动窗口从队列里取 f_0 帧处理——这 f_0 帧的噪声水平跨度巨大。

模型训练时没见过这种"跨度如此大的输入"。这就是训练-推理不匹配（training-inference gap）的本质。论文 Figure 2(a) 画得很清楚：FIFO-Diffusion 的队列是一条对角线，噪声从 0 平滑增长到 T。

后果：内容漂移、视觉伪影、主体走着走着变形了。

---

路径一：两阶段对齐（TTA）——把杂牌军整编成整齐队伍

MIGA 的核心直觉：能不能在模型真正处理之前，先把队列里的噪声跨度压小？

Stage 1：Zigzag 迭代去噪——把对角线改成锯齿波

FIFO-Diffusion 是每一帧 latent 都对应一个不同噪声水平。MIGA 改成每 L_zig 帧才换一次噪声水平。

具体做法：队列不是 {τ_1, τ_2, τ_3...} 这种逐帧递增，而是 {τ_e, τ_e, τ_e, τ_e, τ_{e+1}, τ_{e+1}, τ_{e+1}, τ_{e+1}...}——每 4 帧才升一级噪声。

效果：模型每次看到的 f_0 帧窗口内，噪声水平的变化范围被压缩了。论文把这叫做"proactively narrow the noise span"。

消融实验（Table 4）显示 L_zig=4 是 sweet spot。再大收益饱和，再小噪声跨度压不住。

Stage 2：统一噪声水平去噪——等所有人到齐再一起冲锋

Stage 1 进行了 n 轮迭代后，队列里积累了 n*L_zig 帧，但这些帧并不在同一噪声水平——它们只是每 4 帧一组内部一致。

Stage 2 的关键操作：等所有帧都降到同一个噪声水平 τ_{e-1} 后，再统一继续去噪。 这时队列变成了 {τ_{e-1}, τ_{e-1}, τ_{e-1}...}，模型处理的每一批输入都是统一噪声水平——和训练条件完全一致。

注意：如果跳过 Stage 1 直接做 Stage 2（即直接对全部噪声 latent 统一去噪），性能暴跌。因为 Stage 1 的自回归过程在帧之间建立了隐式信息传递，这是 Stage 2 能成功的前提。

消融实验（Table 6）量化了每一步的价值：baseline 95.02 → +Stage 1 96.78 → +Stage 2 97.05。

---

路径二：双重一致性增强（DCE）——自己反省 + 睁眼看远方

TTA 解决了"输入质量"问题，但长视频的核心挑战还有长程一致性。模型滑动窗口只能看到相邻帧，容易"近视眼"。

Self-Reflection：在高噪声阶段就预判最终一致性

现有方法（如 ScalingNoise）用外部模型（DINO）评估一致性，需要把 latent 解码成像素再跑评估，计算开销巨大。而且它们要么每步都搜索，要么按固定 schedule 搜索，不灵活。

MIGA 的洞察来自一个意外发现：早期高噪声 latent 的一致性评分波动模式，和最终干净 latent 高度相关。

论文 Figure 3(c,d) 做了相关性分析：即使噪声水平高达 40（最大 50），C_score 曲线和干净 latent 的相关系数依然很高。这意味着不需要等视频生成完毕再评估，在高噪声阶段就能预判哪里会崩。

具体做法： 1. 定义队列尾部的判断节点 f_judg 2. 用相邻帧的 cosine similarity 计算一致性评分 C_score（完全在 latent 空间操作，无需解码） 3. 当相邻 chunk 的 C_score 下降超过阈值 δ_adju=0.01 时，触发修正 4. 修正方式：生成 n_samp 个候选后续序列，用前面已验证的帧做引导，选一致性最高的替换原序列

这就是 Test-Time Scaling（TTS）在视频生成里的落地。阈值越小，搜索越频繁，性能越好但计算越多。δ=0.01 是平衡点和甜蜜点。

消融实验（Figure 5）展示了 R_corr（修正率）和 R_succ（修正成功率）随阈值变化的趋势：阈值过低时，无效搜索增多，成功率下降。

Long-Range Frame Guidance：让滑动窗口看到远方

滑动窗口每次只处理 f_0 帧，模型看不到远处的帧，导致长程依赖断裂。

MIGA 的解法极简：从队列前面（已生成较久、噪声较低的帧）稀疏采样 m_guid 帧，塞进当前窗口一起处理。

具体而言，当滑动窗口处理位置 l 时，输入不再是 [z_l, ..., z_{l+f_0-1}]，而是把前面 m_guid 个远距离帧拼进来：[z_1,...,z_m_guid, z_l,...,z_{l+f_0-m_guid-1}]。

这相当于给模型装上了"望远镜"——虽然主要注意力还在当前帧，但远处的帧提供了全局上下文。消融实验（Table 5）显示 m_guid=6 最优，0 的时候 O.S. 只有 95.80，加上 6 个引导帧跳到 96.87。

---

实验：不仅是数字，还有 1000+ 帧的生成能力

论文在 VideoCrafter2 和 Wan2.1-1.3B 上都做了实验。

VBench（VideoCrafter2-based, 128 帧）：

• FIFO-Diffusion: S.C. 92.92, B.C. 95.01, O.S. 95.02
• MIGA: S.C. 97.66, B.C. 96.99, O.S. 97.82
• 主体一致性提升 +4.7%，背景一致性 +2.0%

• Wan2.1-based MIGA 在 TNA=2/3/4 的设定下全面领先
• 特别值得注意的是：Wan2.1 是写实风格模型，维持一致性比 VideoCrafter2 的动画风格更难，但 MIGA 依然有效

内存方面：继承 FIFO-Diffusion 的固定内存占用优势，不随视频长度增长。

---

为什么这事重要

视频生成领域正在分化为两条路线：

1. 重训练路线：SkyReels-V2、MAGI-1 等从头训练长视频模型，需要海量数据和算力 2. 免训练路线：在现有短视频模型上搭框架，用工程手段扩展长度

MIGA 属于后者，但它的性能已经接近甚至超过一些训练型方法（附录 B.4 的讨论）。在资源受限的实际场景中（普通用户、实时应用、边缘设备），免训练 + 固定内存的组合极具吸引力。

更深层的意义在于：MIGA 把 LLM 领域最近火热的 Test-Time Scaling 思路成功迁移到了扩散模型视频生成。Self-Reflection 本质上是"生成时多试几次，选最好的"——这和 o1、R1 的推理时扩展是同一枚硬币的两面。

---

局限

论文自己在附录 C 里提到：

• 目前只验证了文本条件控制，更复杂的条件（如动作、相机运动）有待扩展
• 1000+ 帧的生成在极端长序列上仍可能出现缓慢退化
• 多 Prompt 控制的叙事连贯性还有提升空间

一句话总结

MIGA 用 Zigzag 平滑噪声跨度、用两阶段对齐训练和推理条件、再用 Self-Reflection 在高噪声阶段预判一致性异常、最后用远距离帧引导解决滑动窗口的近视问题——四条措施叠加，让现成的短视频模型稳定生成无限长视频，而且不占更多内存。

论文没有重新训练模型，它重新设计了模型工作时的"环境"。

---

参考论文：

• Feng et al. (2026). Enhancing Train-Free Infinite-Frame Generation for Consistent Long Videos. arXiv:2605.18233. ICML 2026.