你還在為拍視頻頭疼嗎？

想象一下你正在寫一個故事，主角從城市街頭一路打到未來太空，劇情越來越精彩，突然你靈光一閃——

「如果他這時候變身成反派，故事會不會更炸？」

以前，你得重新寫劇本、找素材、剪輯、渲染……

現在，你只需要打一句話，AI實時生成新劇情，而且畫面連貫、節奏流暢，邊想邊出片，像電影一樣！

近日，NVIDIA聯合MIT等機構重磅推出LongLive，把交互式視頻生成性能干到SOTA，最長實現4分鐘，可以實時交互式長視頻生成。

項目地址：https://nvlabs.github.io/LongLive/

論文鏈接：https://arxiv.org/abs/2509.22622

項目主頁：https://nvlabs.github.io/LongLive/

視頻1：交互式視頻生成結果展示

LongLive的驚艷不止于實時交互，別家模型「跑長跑就掉鞋」，我們把終點線直接拉到4分鐘——240秒一鏡到底，人物不崩、劇情不跳、鏡頭不晃。

視頻2：和其他模型在長視頻生成上的視覺對比。LongLive生成速度快的同時，還保持了視覺一致性和語義上的連貫

對比Sora2，由于Sora2每次只能生成10秒視頻，Sora2借助GPT-5對輸入進行了優化，盡可能地增加背景和上下文信息，來提示Sora2生成的連貫性。

視頻3：Sora2與LongLive在長視頻生成上的對比。Sora2在視頻質感、運鏡以及物理規律模擬等方面非常強大，但難免會出現突變和不一致。LongLive連續性好且生成速度快

VBench-Long權威測評顯示，LongLive在長視頻賽道拿下84.87總分，領先同量級選手近4分；背景一致性94.8、主角一致性94.0，全程零閃變，比SkyReels-V2快了41倍。

表1：LongLive和其他模型在長視頻生成上的User Study對比

回到日常短視頻（15-30秒）場景，一樣「穩又快」：20.7幀/秒生成速度，比播放速度還快；VBench短片段評分86.97，視覺效果依舊SOTA。

表2：LongLive在VBench 短視頻評測榜單上的性能比較

一句話，無論15秒爆款還是240分鐘大片，LongLive都給你影院級穩感和絲滑產出

現在，很多擴散模型的做法由于雙向注意力機制導致長時域生成過慢。而另一些則是「把一段視頻一段視頻分別生成然后拼起來」，所以越長越崩，人物形象完全錯誤，還有一些方法由于訓練階段使用短視頻，推理階段則推長視頻導致訓推不一致。

總結為：

• 不用KV-cache，時間太慢并且形象錯亂。
• 使用KV-cache，實時交互困難。
• 訓不動長視頻，推理則錯誤累計。

而LongLive完美解決這些痛點，一個真正面向長視頻生成交互式的訓練和推理算法。滾動式窗口支持長視頻訓練，單張GPU實現240s實時交互生成。

視頻4：240s長視頻生成效果

LongLive三板斧

LongLive的核心秘訣是「三把鑰匙」，專門解決「長、順、快」不可能三角：

長跑鑰匙——Streaming Long Tuning

專為「長度」而生：訓練時就讓模型自己跑完240秒，邊生成邊學習，像陪練一樣陪它沖過終點，從此不再「train-short-test-long」，越長越穩。

圖2：流式長視頻微調流程圖。

劇情鑰匙——KV-Recache

換劇情時，舊畫面不丟，新指令立刻生效。就像導演現場改劇本，演員自然接戲，不會「出戲」或「重來」。

圖3：不同策略對比來看，LongLive提出的KV re-cahce完美解決所有痛點

時間錨點和聚光燈注意力——Frame Sink和Short-Window

把開頭幾幀永久「釘」在記憶里，后面無論怎么拍，人物長相、場景風格都不會跑。相當于給整部片上了「定妝鎖」。

圖4：LongLive提出的sink策略保持風格一致

只看最近關鍵幾幀，算力減半，畫面反而更穩。就像攝影師只追焦主角，背景再亂也不影響鏡頭清晰度。

圖5：LongLive提出的Shift Window策略極致的加速生成和降低算力消耗

三招齊下，才能讓你「邊聊邊拍」240 秒依舊不崩、不跳、不重來，這才是 LongLive敢把「交互式長視頻」做成「打字速度」的大秘訣。

LongLive把「寫一句話」變成「拍一部大片」，長視頻一鏡到底、隨時改戲、立等可取——從此，長視頻不再是專業團隊的專利，而是每個人隨手可得的創意游樂場。

真正的交互式視覺時代已悄然開啟，AI的每個靈感都值得被實時看見，被長久記住。