无需独立假分数网络：条件偏移实现少步流式视频生成

少步采样是降低流式视频生成成本的关键路径，但主流的分布匹配蒸馏（DMD）方法依赖一个独立的假分数网络来监督少步生成器，这带来了额外的训练显存与计算开销，并且假分数网络必须持续跟踪生成器的演化。一篇新研究提出用“条件偏移”在生成器内部估计生成分布的速度场，从而去掉独立的假分数网络。

条件偏移如何替代假分数网络

研究将 APEX 方法扩展到流式视频生成场景。核心思路是：用原始文本条件选择“生成”路径，而用偏移后的条件选择“假估计”路径，两者共享同一套模型参数。这意味着生成器自身就能完成对生成分布速度场的估计，不再需要单独训练一个假分数网络。

这一设计保留了 S2-Avatar 中的冻结参考教师、Self-Replay Forcing 以及感知正则化等组件，改动集中在监督信号的来源上。对于流式视频生成而言，训练阶段的显存压力和迭代时间往往直接决定方案能否落地，去掉独立网络带来的收益是直观的。

分布匹配蒸馏（DMD） 是一类将多步扩散/流模型的生成能力压缩到少步生成器的蒸馏方法。其核心是让少步生成器的输出分布逼近教师模型的分布，而实现这一点的关键在于估计“生成分布”的分数（即对数密度梯度，或等价的流场速度）。DMD 通常引入一个额外的假分数网络来拟合当前生成器的分布，并随生成器更新而持续训练。这个辅助网络不仅要占用额外显存与算力，还必须与生成器保持同步演化，否则监督信号会失真。条件偏移的思路正是绕开这一辅助网络：通过给同一模型输入不同条件（原始文本条件 vs. 偏移条件），让模型在不同条件上下文下分别扮演生成器与假分数估计器，从而在参数共享的前提下获得对生成分布速度场的估计。

实验设置与评测规模

研究在 180 秒视频上评估 APEX，每个块进行三次骨干网络评估，并配有一个单步空间 Refiner。评测包含两部分：一项 70 例的人类研究，以及一个 320 例的 StreamAV-Bench 对比。这样的评测规模在流式视频生成研究中相对扎实，既有人类主观评分，也有基准层面的系统比较。

流式视频生成 指模型以自回归或分块方式持续生成视频帧，而非一次性生成整段视频。它要求模型在有限显存下处理长时序依赖，并保持帧间一致性。文中“每个块进行三次骨干网络评估”意味着生成被切分为若干块，每块需多次调用骨干网络完成去噪或流场积分；单步空间 Refiner 则是在时间维度之外对每帧空间细节做一次轻量修正，以弥补少步采样带来的画质损失。StreamAV-Bench 是面向流式音视频生成的基准，覆盖指令遵循、视觉质量、运动质量、音视频同步等维度，320 例对比提供了系统化的量化依据。这类基准与人类研究结合，能同时反映客观指标与主观观感。

与 S2-Avatar 的对比结果

在 Progressive 赛道上，APEX 的视频指令满足度高于 S2-Avatar（3.856 对 3.831）；在两个赛道上的视觉美学得分也更高（0.641898 对 0.632606）。人类评分者在指令遵循上对 APEX 的偏好最强，净偏好为 +30.0%，一致性和视频质量两项各为 +4.3%。

分歧同样存在：运动质量方面 S2-Avatar 更受青睐，音视频同步大多持平，可用性没有变化。这说明 APEX 的收益并非全面碾压，而是集中在指令遵循与视觉观感上，运动表现则是需要继续观察的短板。

S2-Avatar 是此前流式视频生成的代表性方法，采用冻结参考教师、Self-Replay Forcing 与感知正则化等训练组件。其中 Self-Replay Forcing 指让模型回放自己生成的中间结果并以此为条件继续生成，以缓解训练与推理分布不一致（exposure bias）的问题；冻结参考教师 则提供一个稳定的监督目标，避免教师随训练漂移。APEX 保留这些组件，仅将监督信号来源从独立假分数网络替换为条件偏移，因此对比结果能较干净地反映“去掉假分数网络”这一改动的效果。理解这一点有助于判断：APEX 在指令遵循上的提升并非来自额外组件，而是监督信号质量与训练稳定性改善的结果。

训练开销的实际收益

在匹配的训练设置下单独测量，APEX 相比 DMD 每 GPU 的峰值分配显存降低 4.4%，平均迭代时间缩短 9.2%。幅度不算惊人，但对于需要长时间训练、且生成器持续演化的流式视频任务，显存与时间的双重节省具有累积效应。更重要的是，去掉独立假分数网络后，训练流程少了一个必须与生成器同步演化的组件，工程复杂度随之下降。

方法的意义与局限

条件偏移的思路本质上是把“评判自己”的能力内嵌到生成器中，用同一套参数在不同条件上下文下扮演不同角色。这种自监督式的设计减少了对辅助网络的依赖，为少步流式视频生成提供了一条更轻量的训练路径。

需要留意的是，当前评测集中在 180 秒视频和特定骨干网络上，运动质量上的劣势也提示该方法在动态场景中可能仍有改进空间。条件偏移能否推广到更多生成架构，以及长期流式生成中的误差累积问题，都是后续值得关注的方向。