新智元报道
编辑：LRST
【新智元导读】AI拍长视频不再是难事！LongLive通过实时交互生成流畅画面，解决了传统方法的卡顿、不连贯等痛点，让普通人都能轻松拍大片。无论是15秒短片还是240秒长片，画面连贯、节奏流畅，让创作变得像打字一样简单。
你还在为拍视频头疼吗？
想象一下你正在写一个故事，主角从城市街头一路打到未来太空，剧情越来越精彩，突然你灵光一闪——
「如果他这时候变身成反派，故事会不会更炸？」
以前，你得重新写剧本、找素材、剪辑、渲染……
现在，你只需要打一句话，AI实时生成新剧情，而且画面连贯、节奏流畅，边想边出片，像电影一样！
近日，NVIDIA联合MIT等机构重磅推出LongLive，把交互式视频生成性能干到SOTA，最长实现4分钟，可以实时交互式长视频生成。
项目地址：https://nvlabs.github.io/LongLive/
论文链接：https://arxiv.org/abs/2509.22622
项目主页：https://nvlabs.github.io/LongLive/
视频1：交互式视频生成结果展示
LongLive的惊艳不止于实时交互，别家模型「跑长跑就掉鞋」，我们把终点线直接拉到4分钟——240秒一镜到底，人物不崩、剧情不跳、镜头不晃。
视频2：和其他模型在长视频生成上的视觉对比。LongLive生成速度快的同时，还保持了视觉一致性和语义上的连贯
对比Sora2，由于Sora2每次只能生成10秒视频，Sora2借助GPT-5对输入进行了优化，尽可能地增加背景和上下文信息，来提示Sora2生成的连贯性。
视频3：Sora2与LongLive在长视频生成上的对比。Sora2在视频质感、运镜以及物理规律模拟等方面非常强大，但难免会出现突变和不一致。LongLive连续性好且生成速度快
VBench-Long权威测评显示，LongLive在长视频赛道拿下84.87总分，领先同量级选手近4分；背景一致性94.8、主角一致性94.0，全程零闪变，比SkyReels-V2快了41倍。
表1：LongLive和其他模型在长视频生成上的User Study对比
回到日常短视频（15-30秒）场景，一样「稳又快」：20.7帧/秒生成速度，比播放速度还快；VBench短片段评分86.97，视觉效果依旧SOTA。
表2：LongLive在VBench 短视频评测榜单上的性能比较
一句话，无论15秒爆款还是240分钟大片，LongLive都给你影院级稳感和丝滑产出
现在，很多扩散模型的做法由于双向注意力机制导致长时域生成过慢。而另一些则是「把一段视频一段视频分别生成然后拼起来」，所以越长越崩，人物形象完全错误，还有一些方法由于训练阶段使用短视频，推理阶段则推长视频导致训推不一致。
总结为：
-
不用KV-cache，时间太慢并且形象错乱。
-
使用KV-cache，实时交互困难。
-
训不动长视频，推理则错误累计。
而LongLive完美解决这些痛点，一个真正面向长视频生成交互式的训练和推理算法。滚动式窗口支持长视频训练，单张GPU实现240s实时交互生成。
视频4：240s长视频生成效果
LongLive三板斧
LongLive的核心秘诀是「三把钥匙」，专门解决「长、顺、快」不可能三角：
长跑钥匙——Streaming Long Tuning
专为「长度」而生：训练时就让模型自己跑完240秒，边生成边学习，像陪练一样陪它冲过终点，从此不再「train-short-test-long」，越长越稳。
图2：流式长视频微调流程图。
剧情钥匙——KV-Recache
换剧情时，旧画面不丢，新指令立刻生效。就像导演现场改剧本，演员自然接戏，不会「出戏」或「重来」。
图3：不同策略对比来看，LongLive提出的KV re-cahce完美解决所有痛点
时间锚点和聚光灯注意力——Frame Sink和Short-Window
把开头几帧永久「钉」在记忆里，后面无论怎么拍，人物长相、场景风格都不会跑。相当于给整部片上了「定妆锁」。
图4：LongLive提出的sink策略保持风格一致
只看最近关键几帧，算力减半，画面反而更稳。就像摄影师只追焦主角，背景再乱也不影响镜头清晰度。
图5：LongLive提出的Shift Window策略极致的加速生成和降低算力消耗
三招齐下，才能让你「边聊边拍」240 秒依旧不崩、不跳、不重来，这才是 LongLive敢把「交互式长视频」做成「打字速度」的大秘诀。
LongLive把「写一句话」变成「拍一部大片」，长视频一镜到底、随时改戏、立等可取——从此，长视频不再是专业团队的专利，而是每个人随手可得的创意游乐场。
真正的交互式视觉时代已悄然开启，AI的每个灵感都值得被实时看见，被长久记住。
参考资料：
https://arxiv.org/abs/2509.22622
