> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# Invoker-Render：用粗细结构代理控制视频生成
- URL: https://binnn.top/invoker-render-controllable-video/
- Published: 2026-11-20T05:27:44.000Z
- Updated: 2026-11-20T05:59:57.000Z
- Description: 论文以统一输入接口支持离线创作与四步流式生成，分阶段引入自身生成历史；结构监督和粗细代理配对均有适用条件。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 视觉与多模态, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-17

## 同一权重接受不同结构精度

论文提出的Invoker-Render接收结构代理、外观参考和语言，覆盖语义布局、着色几何等表示。作者希望同一组权重既能遵循精细几何约束，也能在粗略代理省去局部细节时补出合理动作，让使用者按交互需要选择输入精度。

## 完整片段创作与逐块生成

离线创作时，用户编辑完整代理序列，调整镜头路径、运动轨迹和事件时序，双向模型可以查看整个片段。流式生成则逐块接收代理和局部文本，利用保留的视觉历史，以四步生成当前块，适应未来动作尚未确定的交互过程。

## 分阶段适应自身生成历史

为处理生成步数压缩与历史误差累积，作者设计了ProForcing：先训练因果预测器，再利用训练视频衍生的历史，将其蒸馏为四步渲染器，之后转向连续使用自身生成内容的训练，让模型逐步适应推理时遇到的历史输入。

## 结构监督与粗细配对的边界

公开数据先经过几何与时间有效性检查；缺乏可靠结构对齐的片段，仅用于外观参考与文本监督。各来源可以贡献自身已有的结构模态，并不要求每个来源都具备合成的粗细代理配对，因此不能将全部训练片段视为完整结构监督样本。

同一事件的粗细代理配对也有明确范围：只有已构建两种变体的数据，才共享相机参数、时间戳、实体身份和目标视频。这样的配对用于监督不同约束强度，不能推广为所有数据都具备的属性。

## 30分钟赛车结果的证据范围

作者报告，模型在30分钟赛车连续生成中保持了场景与主体外观稳定。所给节选没有展开这一结果的评测指标与判定细节；这一特定场景、有限时长的报告，也不足以把论文标题中的“无限”视为已经验证的能力。

原始标题：Code World Model 2.0: Towards Infinite Controllable Video Generation  
[来源：arxiv.org](https://arxiv.org/abs/2611.22925?ref=binnn.top)