Echo-Forcing: A Scene Memory Framework for Interactive Long Video Generation

Paper: arXiv:2605.16003 Code: mingqiangWu/Echo-Forcing（截至 main@1e33823e 只有 README、assets 和 demo video；代码搜索未找到开源实现） Code reference: main @ 1e33823e (2026-05-18)

1. Motivation（研究动机）

现有 autoregressive video diffusion model 已经可以用 local attention + KV cache 逐块生成长视频，但它们的 cache policy 大多服务于“单 prompt 稳定延长”。一旦用户在长视频中切换 prompt、要求 hard cut、或者在后半段召回早先出现过的场景，旧 KV 既可能是稳定锚点，也可能是污染新场景的过期背景，还可能是未来要召回的长期记忆；把它们当成同质 temporal cache 会导致三类问题：旧背景残留、对新 prompt 响应滞后、远距离场景记忆丢失。

Figure 1 解读：论文把交互式长视频拆成四种模式：普通 long-horizon rollout、smooth transition、hard cut、long-range scene recall。关键挑战不是单纯把视频拉长，而是在有限 cache 预算内决定哪些历史信息应当被保留、压缩、召回或遗忘。

这篇论文要解决的具体问题是：在不训练新模型的前提下，让 causal/autoregressive video diffusion backbone 在 60s/120s 乃至多场景交互视频中同时具备长程稳定性、prompt responsiveness 和历史场景召回能力。作者认为瓶颈是 historical KV state 的功能纠缠：稳定 anchor、recent dynamics、long-term recall prior 和 conflict memory 被同一种保留/压缩/清空策略处理，导致模型不得不在 continuity 与 controllability 之间做粗粒度取舍。

这个问题值得研究，因为它把 text-to-video 从“离线短片生成”推进到可持续对话式/编辑式视频生成：用户可以连续给出六段场景、在第 4/5/6 段召回第 1/2/3 段的场景，或者让主体保持但背景突然切换。若历史记忆可以被显式生命周期管理，长视频生成就不必依赖全历史 cache，也不必每次切场都完全 flush 掉有用主体/场景先验。

2. Idea（核心思想）

核心 insight：历史 KV 不应被看作一个只按时间新旧排序的 cache，而应被看作 scene memory，并带有 preserve → recall → forget 的生命周期。Echo-Forcing 将早期稳定锚点、压缩长程历史、最近窗口、可召回场景记忆和冲突记忆衰减拆开管理，从而在 bounded cache budget 下同时支持连续长视频、平滑过渡、硬切换和远距离场景召回。

与 Self-Forcing、Deep-Forcing、Rolling-Sink、∞-RoPE、LongLive 等方法相比，Echo-Forcing 的差异不是再提出一个更大的 sliding window，而是给 KV cache 分配明确语义角色：A_12 负责稳定 anchor，C_3 负责 phase-aware 压缩历史，R_6 负责局部连续性，Scene Recall Frames 负责跨场景召回，Difference-aware Memory Decay 负责切场后软遗忘冲突 token。它因此把“长度外推”问题改写成“场景记忆路由与治理”问题。

3. Method（方法）

3.1 Overall framework：Echo-Forcing 的场景记忆框架

Figure 2 解读：框架由三个核心模块构成。Hierarchical Temporal Memory 把 active cache 分成 rolling anchors、compressed history 和 recent window；Scene Recall Frames 在 scene boundary 保存紧凑的 spatial KV memory；Difference-aware Memory Decay 在新场景生成后按 old-new discrepancy 衰减旧 token。图中每个模块都不是独立后处理，而是直接作用在 attention KV 的选择、重编码与权重上。

直觉上，长视频中的历史信息并非越多越好：早期 clean frame 适合作为稳定视觉锚点，但长期固定使用会压制运动；最近帧能保证局部连续，但不足以恢复几十秒前的场景；完整历史 cache 太贵且会把旧背景拖进新 prompt。Echo-Forcing 的做法是把这些功能拆成不同 memory slot，并在场景转换时用 prompt routing 和 KV discrepancy 决定该调用哪一种记忆操作。

默认 active memory 预算写作： ${\mathcal{M}}_{\mathrm{Echo}}=A_{12}\oplus C_3\oplus R_6,$ 其中 $A$ 是 anchors，$C$ 是 compressed history，$R$ 是 recent frames。相比之下，Self-Forcing 和 $\infty$-RoPE 使用 $R_{21}$，LongLive 使用 $S_3\oplus R_9$，Rolling-Sink 使用 $S_{15}\oplus R_6$，Deep-Forcing 使用 $S_{12}\oplus C_9$。Echo-Forcing 不是增加无界 cache，而是在 21-frame 级别的固定预算内重分配角色。

论文内部配置差异：主文实验设置写默认 $N_{\mathrm{rec}}=3$ recent frames，但 Appendix 的 cache distribution 写作 ${\mathcal{M}}_{\mathrm{Echo}}=A_{12}\oplus C_3\oplus R_6$。公开仓库没有实现/config 可核对，因此这里将 $A_{12}\oplus C_3\oplus R_6$ 视为 Appendix 的 cache-comparison 表述，将 $N_{\mathrm{rec}}=3$ 视为主文 implementation detail；两者可能对应 “recent blocks” 与 “frames” 口径差异，也可能是论文文本不一致。

3.2 Hierarchical Temporal Memory：稳定锚点、压缩历史与最近窗口解耦

Bidirectional rolling early anchors

早期 frames 位于模型训练 horizon 内，通常视觉质量更干净，适合提供 long-range global reference。设 anchor pool 为 $\mathcal{E}=\{E_0,E_1,\dots ,E_{N_{\mathrm{anc}}-1}\}$，第 $r$ 次更新插入 $S$ 个 anchor，从 $u_r=(rS)\mathrm{mod}{N}_{\mathrm{anc}}$ 开始，且正反向交替遍历： ${\mathcal{A}}_r=\{\begin{array}{ll}(E_{u_r},E_{u_r+1},\dots ,E_{u_r+S-1}),& r\text{is odd},\\ (E_{u_r+S-1},E_{u_r+S-2},\dots ,E_{u_r}),& r\text{is even},\end{array}{u}_r=(rS)\mathrm{mod}{N}_{\mathrm{anc}}.$ Appendix 给出实际设定：rolling anchor pool 大小 $|{\mathcal{P}}_{\mathrm{roll}}|=18$，active anchors $N_{\mathrm{anc}}=12$，每次插入 $S=3$。如果只用 static anchors，动态程度会很低（Dynamic Degree 27.08）；单向 rolling 提升运动但边界稳定性较弱；bidirectional rolling 在 Dynamic Degree 47.59 与 Temporal Flickering 98.28 上最好。

Drift-gated phase compression

Figure 3 解读：图中比较不同 historical token selection strategy 与未来真实 attention 的匹配。直接用 recent query 容易偏向短期噪声；用 calibration query 能给 RoPE phase 一个稳定参考；加入 amplitude compensation 和 drift gate 后，选择的 token 更贴近未来 query 真实会关注的历史信息。

该模块要解决的问题是：post-RoPE attention score 会受 phase shift 与当前位置偏置影响，直接拿来选历史 token 会偏向近期上下文。作者先在 early high-fidelity stage 收集 pre-RoPE query，构造稳定 calibration center： $\bar{\mathbf{q}}=\frac{1}{|{\mathcal{Q}}_{\mathrm{cal}}|}{\sum }_{q\in {\mathcal{Q}}_{\mathrm{cal}}}\mathbf{q},{\bar{a}}_q=\frac{1}{|{\mathcal{Q}}_{\mathrm{cal}}|}{\sum }_{q\in {\mathcal{Q}}_{\mathrm{cal}}}|\mathbf{q}|.$ 对历史 token $j$ 的 pre-RoPE key ${\mathbf{k}}_j^{\mathrm{raw}}$，用 complex-domain RoPE 分解计算相位一致性分数。令 $f$ 是 RoPE frequency channel，${\varphi }_{j,f}=\arg ({\bar{\mathbf{q}}}_f\overline{{\mathbf{k}}_{j,f}^{\mathrm{raw}}})$，未来 offset 为 $o\in \mathcal{O}$，时间距离 ${\Delta }_{j,o}=a_b^{+}-a_j+o$，则： ${\mathrm{Score}}_{j,o}^{\mathrm{ph}}={\sum }_f|{\bar{\mathbf{q}}}_f||{\mathbf{k}}_{j,f}^{\mathrm{raw}}|\cos ({\varphi }_{j,f}+{\omega }_f{\Delta }_{j,o}).$ 幅值补偿项为： ${\mathrm{AMP}}_j={\sum }_f({\bar{a}}_{q,f}-|{\bar{\mathbf{q}}}_f|)|{\mathbf{k}}_{j,f}^{\mathrm{raw}}|.$ 但 query distribution 会随 rollout 漂移，固定补偿可能放大已经过期的 memory。因此作者引入 drift gate： $g_b=\exp [-\lambda (1-\cos ({\bar{\mathbf{q}}}_{\mathrm{rec}},\bar{\mathbf{q}}))],{\mathrm{Score}}_j={\mathrm{Fuse}}_{o\in \mathcal{O}}\left({\mathrm{Score}}_{j,o}^{\mathrm{ph}}+g_b{\mathrm{AMP}}_j\right).$ 最后在候选历史区域 ${\mathcal{H}}_b\setminus {\mathcal{R}}_b$ 中取 TopK，形成 compressed memory： ${\mathcal{I}}_b^{\mathrm{cmp}}={\mathrm{TopK}}_{j\in {\mathcal{H}}_b\setminus {\mathcal{R}}_b}({\mathrm{Score}}_j,\mathbf{K}),{\mathcal{M}}_b^{\mathrm{cmp}}=\{({\mathbf{K}}_j^{\mathrm{raw}},{\mathbf{V}}_j)\mid j\in {\mathcal{I}}_b^{\mathrm{cmp}}\}.$ Appendix 说明压缩候选区域固定为 $N=18$ frames，calibrated query statistic 按 attention head 和 spatial position 计算，大小为 $[H,d_{\mathrm{head}}]$；compressed tokens 被赋予当前 block timestamp，而不是保留原时间戳，以减少 compressed region 内的 timestamp aliasing。

3.3 Scene Recall Frames：把一个场景压成可召回的 spatial KV memory

交互式长视频不能把每个旧场景的所有 frames 都保留，否则成本高且旧场景噪声会干扰；但只保留第一帧或一个 crucial frame 又丢失遮挡、纹理、背景布局等互补信息。Scene Recall Frames 从每个场景稳定阶段抽取 $M=5$ 个候选 frames，并在每个 spatial token 位置独立融合 KV。

设第 $s$ 个场景的候选 blocks 为： ${\mathcal{C}}_s=\{({\mathbf{K}}_{s,j}^{\mathrm{raw}},{\mathbf{V}}_{s,j}){\}}_{j=1}^M.$ 对 spatial position $u$，用该位置的 calibrated query center ${\bar{\mathbf{q}}}_{s,u}$ 给各候选 frame 打分并 softmax： $e_{s,j,u}=\mathrm{sim}({\bar{\mathbf{q}}}_{s,u},{\mathbf{k}}_{s,j,u}^{\mathrm{raw}}),{\alpha }_{s,j,u}={\mathrm{Softmax}}_j(e_{s,j,u}).$ 然后得到 fused recall KV： ${\mathbf{K}}_{s,u}^{\mathrm{rec}}={\sum }_{j=1}^M{\alpha }_{s,j,u}{\mathbf{K}}_{s,j,u}^{\mathrm{raw}},{\mathbf{V}}_{s,u}^{\mathrm{rec}}={\sum }_{j=1}^M{\alpha }_{s,j,u}{\mathbf{V}}_{s,j,u}.$ 最终一个场景记忆为： $E_s=\{{\mathbf{K}}_s^{\mathrm{rec}},{\mathbf{V}}_s^{\mathrm{rec}}\},{\mathbf{K}}_s^{\mathrm{rec}}=\{{\mathbf{K}}_{s,u}^{\mathrm{rec}}{\}}_{u=1}^U,{\mathbf{V}}_s^{\mathrm{rec}}=\{{\mathbf{V}}_{s,u}^{\mathrm{rec}}{\}}_{u=1}^U.$

3.4 Difference-aware Memory Decay：按 old-new discrepancy 软遗忘

Figure 4 解读：上半部分展示 Scene Recall Frames 如何在 spatial layout 上保存多帧互补线索，下半部分展示 hard/smooth transition 后哪些旧区域应被更快衰减。直觉是：如果新旧场景中某个 spatial token 的 KV 表征相似，它可能仍是主体或兼容背景，应慢慢忘；如果差异大，它更可能是旧场景污染源，应快速降权。

新场景开始后，先生成一个 clean reference block。对旧 token $({\mathbf{k}}_i^{\mathrm{old}},{\mathbf{v}}_i^{\mathrm{old}})$ 和新参考块中对应或邻近 spatial position 的 ${\mathbf{k}}_i^{\mathrm{new}}$，计算 old-new discrepancy： $d_i=1-\cos ({\mathbf{k}}_i^{\mathrm{old}},{\mathbf{k}}_i^{\mathrm{new}}),{\delta }_i=\frac{d_i-{\min }_j{d}_j}{{\max }_j{d}_j-{\min }_j{d}_j+ϵ}.$ 然后映射到 token-wise forgetting strength： ${\mu }_i={\mu }_{\min }+({\mu }_{\max }-{\mu }_{\min }){\delta }_i.$ 第 $r$ 个 post-transition 生成步，旧 memory 权重指数衰减： $w_i^{(r)}=\exp (-r{\mu }_i),{\tilde{\mathbf{k}}}_i^{(r)}=w_i^{(r)}{\mathbf{k}}_i^{\mathrm{old}},{\tilde{\mathbf{v}}}_i^{(r)}=w_i^{(r)}{\mathbf{v}}_i^{\mathrm{old}}.$ 这种 KV-level soft forgetting 有两层抑制：key scaling 会降低 attention logit，value scaling 会降低即使被 attend 到后的输出贡献。对 query $\mathbf{q}$： ${\ell }_{q,i}^{(r)}=\frac{{\mathbf{q}}^{\top }{\tilde{\mathbf{k}}}_i^{(r)}}{\sqrt{d}}=w_i^{(r)}\frac{{\mathbf{q}}^{\top }{\mathbf{k}}_i^{\mathrm{old}}}{\sqrt{d}},o_q^{(r)}={\sum }_i\mathrm{Softmax}({\ell }_{q,i}^{(r)}){\tilde{\mathbf{v}}}_i^{(r)}.$

3.5 Automatic scene routing 与 relative RoPE

用户可以显式在每段 prompt 后加控制 tag：[10s] 表示 smooth transition，[10s#] 表示 hard cut，[10s@] 表示 long-range recall。若没有显式 tag，作者用 prompt similarity 自动路由。设当前 prompt embedding 为 ${\mathbf{p}}_t=\Phi (c_t)$，历史 prompt embedding 为 ${\mathbf{p}}_i$： $s_i=\cos ({\mathbf{p}}_t,{\mathbf{p}}_i),s_{\max }={\max }_{1\le i<t}{s}_i,i^{\ast }=\arg {\max }_{1\le i<t}{s}_i.$ 路由规则为： $m_t=\{\begin{array}{ll}\text{smooth},& i^{\ast }=t-1\text{and}{s}_{\max }\ge {\tau }_{\mathrm{smooth}},\\ \text{recall},& i^{\ast }\ne t-1\text{and}{s}_{\max }\ge {\tau }_{\mathrm{rec}},\\ \text{hard},& \text{otherwise}.\end{array}$ 实验中 ${\tau }_{\mathrm{smooth}}=0.85$，${\tau }_{\mathrm{rec}}=0.85$。RoPE offset 进一步设为： ${\Delta }_t=\{\begin{array}{ll}0,& m_t=\text{smooth},\\ 45,& m_t=\text{hard},\\ \min (45,\gamma (t-i^{\ast })),& m_t=\text{recall},\end{array}$ 其中 $\gamma =10$。对 non-fine-tuned Self-Forcing 这类训练窗口只有 $L=21$ frames 的 backbone，Echo-Forcing 采用 relative-time RoPE：active cache 中第 $i$ 个 frame 被重新映射为 ${\rho }_b(t_i)=i-1\in [0,L-1]$，避免绝对时间 index 随 rollout 无限增长。

3.6 Pseudocode（根据论文公式整理；非 released code）

公开 GitHub 仓库当前没有 implementation files，因此下面伪代码是按论文 §3 与 Appendix B/C 公式整理的 PyTorch-style 逻辑，不是 released code 的逐行复现。

import torch
import torch.nn.functional as F
 
 
def bidirectional_rolling_anchors(anchor_pool, update_idx: int, active_count: int = 12, step: int = 3):
    """Return A_r from a rolling early-anchor pool."""
    n = len(anchor_pool)
    start = (update_idx * step) % n
    ids = [(start + i) % n for i in range(step)]
    if update_idx % 2 == 0:  # paper uses alternating traversal; parity convention is implementation-side
        ids = list(reversed(ids))
    new_anchors = [anchor_pool[i] for i in ids]
    active = (new_anchors + anchor_pool)[:active_count]
    return active
 
 
def drift_gated_phase_compression(q_cal, q_recent, k_raw, frame_ids, next_frame_id, offsets, topk: int, lambda_: float = 2.0):
    """Select compressed historical KV tokens using calibrated pre-RoPE phase scoring."""
    q_bar = q_cal.mean(dim=0)                       # [H, D]
    amp_bar = q_cal.abs().mean(dim=0)               # [H, D]
    q_recent_bar = q_recent.mean(dim=0)             # [H, D]
 
    # Complex RoPE view: pairs of channels form complex numbers.
    q_complex = torch.view_as_complex(q_bar.float().reshape(*q_bar.shape[:-1], -1, 2))
    k_complex = torch.view_as_complex(k_raw.float().reshape(*k_raw.shape[:-1], -1, 2))
    phase = torch.angle(q_complex.unsqueeze(0) * k_complex.conj())
    q_mag = q_complex.abs().unsqueeze(0)
    k_mag = k_complex.abs()
 
    scores = []
    for o in offsets:
        delta = next_frame_id - frame_ids + o
        # omega is the RoPE frequency vector used by the backbone.
        omega = torch.arange(phase.shape[-1], device=phase.device).float()
        score_ph = (q_mag * k_mag * torch.cos(phase + delta[:, None, None] * omega)).sum(dim=(-1, -2))
        scores.append(score_ph)
    score_ph = torch.stack(scores, dim=0).amax(dim=0)
 
    amp = ((amp_bar - q_bar.abs()).unsqueeze(0) * k_raw.abs()).sum(dim=(-1, -2))
    gate = torch.exp(-lambda_ * (1.0 - F.cosine_similarity(q_recent_bar.flatten(), q_bar.flatten(), dim=0)))
    score = score_ph + gate * amp
    selected = torch.topk(score, k=topk).indices
    return selected
 
 
def build_scene_recall_frame(candidate_k, candidate_v, q_center):
    """Fuse M stable scene frames into one spatially structured recall KV."""
    # candidate_k/v: [M, U, D], q_center: [U, D]
    sim = F.cosine_similarity(candidate_k, q_center.unsqueeze(0), dim=-1)  # [M, U]
    alpha = torch.softmax(sim, dim=0)                                      # softmax over M
    k_rec = (alpha[..., None] * candidate_k).sum(dim=0)                    # [U, D]
    v_rec = (alpha[..., None] * candidate_v).sum(dim=0)
    return {"k": k_rec, "v": v_rec}
 
 
def difference_aware_memory_decay(old_k, old_v, new_ref_k, step_after_transition: int,
                                  mu_min: float, mu_max: float, eps: float = 1e-6):
    """Soft-forget old scene memories at KV level."""
    d = 1.0 - F.cosine_similarity(old_k, new_ref_k, dim=-1)
    delta = (d - d.min()) / (d.max() - d.min() + eps)
    mu = mu_min + (mu_max - mu_min) * delta
    w = torch.exp(-step_after_transition * mu)
    return old_k * w[..., None], old_v * w[..., None], w
 
 
def route_scene(prompt_embeds, t, tau_smooth=0.85, tau_rec=0.85, gamma=10):
    """Infer smooth / recall / hard and assign RoPE offset."""
    if t == 0:
        return "initial", 0
    cur = prompt_embeds[t]
    prev = prompt_embeds[:t]
    sims = F.cosine_similarity(cur[None, :], prev, dim=-1)
    s_max, i_star = sims.max(dim=0)
    if int(i_star) == t - 1 and float(s_max) >= tau_smooth:
        mode = "smooth"
    elif int(i_star) != t - 1 and float(s_max) >= tau_rec:
        mode = "recall"
    else:
        mode = "hard"
    offset = 0 if mode == "smooth" else 45 if mode == "hard" else min(45, gamma * (t - int(i_star)))
    return mode, offset
 
 
def relative_rope_reindex(active_cache_frame_ids, training_window: int = 21):
    """Map active-cache absolute frame ids to bounded relative RoPE indices rho_b(t_i)=i-1."""
    ordered = sorted(active_cache_frame_ids)
    if len(ordered) > training_window:
        ordered = ordered[-training_window:]
    rho = {frame_id: local_idx for local_idx, frame_id in enumerate(ordered)}
    new_frame_local_idx = len(ordered)
    if new_frame_local_idx >= training_window:
        # keep coordinates inside the training horizon by sliding the local cache window
        ordered = ordered[-(training_window - 1):]
        rho = {frame_id: local_idx for local_idx, frame_id in enumerate(ordered)}
        new_frame_local_idx = len(ordered)
    return rho, new_frame_local_idx

3.7 Code reference / 代码状态

Code reference: main @ 1e33823e (2026-05-18) — pseudocode and mapping are based on the public repository state plus the arXiv LaTeX source; the repository contains no implementation source yet.

Paper Concept	Source File	Key Class/Function
Project / abstract / released status	README.md	README says “Code coming soon”; repo files are LICENSE, README.md, assets/*
Hierarchical Temporal Memory	arXiv source sec/3_methods.tex, sec/6_appendix.tex	无 released code file；论文公式定义 rolling anchors、phase compression、relative RoPE
Scene Recall Frames	arXiv source sec/3_methods.tex, sec/6_appendix.tex	无 released code file；论文公式定义 spatial KV fusion
Difference-aware Memory Decay	arXiv source sec/3_methods.tex, sec/6_appendix.tex	无 released code file；论文公式定义 discrepancy、decay strength、KV scaling
Experiments / tables	arXiv source sec/4_experiments.tex, tables/*.tex	无 released launch script；数值来自 paper tables

论文公式与 released code 实现差异：截至 main@1e33823e，公开仓库没有 Python / config / launch script，因此无法比较公式与实现差异；代码搜索未找到开源实现。训练配置数字（如 $L=21$、$N_{\mathrm{anc}}=12$、$N_{\mathrm{cmp}}=3$、$N_{\mathrm{rec}}=3$、H100）来自 arXiv PDF/source，不来自 actual launch script。

4. Experimental Setup（实验设置）

Datasets / prompts

• Long-video generation：基于 MovieGenBench prompts；60s 设置随机采样 128 个 prompts，120s 设置随机采样 64 个 prompts；沿用 Self-Forcing pipeline，用 Qwen/Qwen2.5-7B-Instruct 扩写为 detailed long-form video description；每个 prompt 用 4 个 random seeds 生成并取平均。
• Interactive generation：构造 smooth transition、hard cut、long-range scene recall 三个子集；每个子集 64 个 six-shot 60s samples，每个 video 有 6 个连续 10s scenes。Smooth 保持主体/背景/光照一致但动作或视角渐变；Hard cut 保持主体但背景/布局/光照大幅变化；Recall 使用 A-B-C-A-B-C 结构，让后 3 段在长间隔后召回前 3 个场景。
• User study：18 名志愿者，四个设置（long-video、smooth、hard、recall），每个设置随机选 6 组视频，方法名隐藏，5-point Likert scale 评分。

Baselines

长视频基线包括 Self-Forcing、$\infty$-RoPE、Deep-Forcing、Rolling-Sink、LongLive。交互设置分为 non-fine-tuned 和 fine-tuned：non-fine-tuned 用 Self-Forcing+Recache、$\infty$-RoPE、Ours；fine-tuned 用 LongLive、LongLive+Flush、LongLive+Ours。

Metrics

论文使用 VBench-Long / VBench 系列指标：Aesthetic Quality、Background Consistency、Imaging Quality、Subject Consistency、Motion Smoothness、Temporal Flickering、Dynamic Degree，以及 Text Alignment。Interactive evaluation 不是把整段视频当成 homogeneous clip：smooth 的 quality metrics 在完整 60s 上计算、text alignment 按 6 个 10s segment 平均；hard cut 的 text/background 在 segment 内算、subject consistency 在全视频算；scene recall 把第 4/5/6 段分别与第 1/2/3 段配对计算 subject/background consistency。

Implementation / hyperparameters

Echo-Forcing 是 training-free 框架；论文未给出新模型训练 steps、learning rate 或 batch size。实现设置来自论文实验节与 Appendix：local window $L=21$ frames；默认 $N_{\mathrm{anc}}=12$ rolling anchors、$N_{\mathrm{cmp}}=3$ compressed history frames、$N_{\mathrm{rec}}=3$ recent frames；rolling pool $|{\mathcal{P}}_{\mathrm{roll}}|=18$，每次 anchor update 插入 $S=3$；

Scene Recall Frames 采样 $M=5$ candidate frames；prompt routing 阈值 ${\tau }_{\mathrm{smooth}}=0.85$、${\tau }_{\mathrm{rec}}=0.85$，recall offset 系数 $\gamma =10$；drift-gate 默认 $\lambda =2$；所有实验在 NVIDIA H100 GPUs 上进行。公开仓库目前无实际 config/launch script，因此这些数值只能锚定到论文 source，而不是 released code config。

另需注意论文内部口径差异：主文写 $N_{\mathrm{rec}}=3$ recent frames，而 Appendix cache distribution 写 $R_6$；本文已在 §3.1 标出该不一致，未在无代码依据时强行合并。

5. Experimental Results（实验结果）

5.1 Main quantitative results

Long-video generation on VBench-Long（60s/120s；指标均为越高越好）：

Duration	Method	FPS	Aesthetic	Background	Imaging	Subject	Motion	Flicker	Dynamic
60s	Self-Forcing	17.01	56.32	96.35	68.26	96.40	98.57	97.94	30.00
60s	$\infty$-RoPE	17.01	58.49	94.66	70.36	96.27	97.95	96.10	71.04
60s	Deep-Forcing	15.65	58.65	94.59	69.04	95.72	97.76	96.52	40.63
60s	Rolling-Sink	16.45	61.61	96.13	71.89	97.84	98.84	97.96	43.13
60s	LongLive	20.70	59.48	94.74	67.97	96.18	98.09	96.55	58.54
60s	Echo-Forcing	15.71	61.69	97.17	72.09	97.17	98.79	98.28	47.59
120s	Self-Forcing	17.01	50.37	97.15	61.36	98.33	95.17	98.07	19.70
120s	$\infty$-RoPE	17.01	59.12	95.70	69.75	97.32	98.27	96.95	59.44
120s	Deep-Forcing	15.65	58.59	96.37	68.11	97.65	98.45	97.56	27.78
120s	Rolling-Sink	16.45	61.53	96.27	70.48	98.10	98.99	98.26	29.44
120s	LongLive	20.70	59.78	95.08	68.71	96.82	98.41	97.09	43.33
120s	Echo-Forcing	15.71	61.75	96.53	72.83	98.16	99.05	98.33	36.68

Echo-Forcing 在 60s 上拿到最佳 Aesthetic、Background、Imaging、Flicker；在 120s 上拿到最佳 Aesthetic、Imaging、Motion、Flicker。它没有追求最高 Dynamic Degree（$\infty$-RoPE 更高），但更好地平衡画质、稳定性和长程一致性。

Interactive video generation：

Setting	Mode	Method	Text Align	Subject	Background	Aesthetic	Imaging
Unfine-tuned	Smooth	Self-Forcing+Recache	26.92	86.13	86.48	50.15	50.22
Unfine-tuned	Smooth	$\infty$-RoPE	25.94	83.95	87.94	57.33	66.81
Unfine-tuned	Smooth	Echo-Forcing	27.94	93.19	92.63	58.64	69.21
Unfine-tuned	Cut	Self-Forcing+Recache	29.88	76.43	86.77	50.02	50.17
Unfine-tuned	Cut	$\infty$-RoPE	32.63	78.88	85.89	57.12	67.79
Unfine-tuned	Cut	Echo-Forcing	33.67	79.39	89.62	58.00	69.64
Unfine-tuned	Memory	Self-Forcing+Recache	28.58	78.12	74.71	50.98	51.02
Unfine-tuned	Memory	$\infty$-RoPE	29.47	79.31	78.39	56.31	66.73
Unfine-tuned	Memory	Echo-Forcing	32.58	83.11	81.57	58.76	68.88
Fine-tuned	Smooth	LongLive	27.38	94.01	91.39	54.89	67.17
Fine-tuned	Smooth	LongLive+Flush	27.34	94.22	91.88	54.85	67.33
Fine-tuned	Smooth	LongLive+Ours	29.77	95.32	93.74	54.78	67.87
Fine-tuned	Cut	LongLive	30.59	81.53	57.78	54.46	67.76
Fine-tuned	Cut	LongLive+Flush	31.97	81.99	56.33	54.49	69.01
Fine-tuned	Cut	LongLive+Ours	34.27	83.39	57.75	55.01	69.77
Fine-tuned	Memory	LongLive	28.56	82.23	86.50	53.31	66.32
Fine-tuned	Memory	LongLive+Flush	30.18	82.77	86.23	53.77	67.43
Fine-tuned	Memory	LongLive+Ours	32.58	83.48	87.57	54.98	69.13

Figure 5 解读：定性比较覆盖 smooth transition、hard cut、scene recall 与普通 long-video。Echo-Forcing 的优势主要体现在：旧场景不会在 hard cut 后持续污染背景；recall 时能重新取回早先场景的布局/主体线索；长视频 rollout 中主体和背景更不容易漂移。

5.2 Ablations

Drift-Gated Phase Compression：

Method	Aesthetic	Background	Imaging	Subject	Motion	Flicker	Dynamic
No AMP	61.24	96.17	72.54	97.00	98.03	98.20	35.31
Only AMP	59.34	94.28	71.33	96.11	97.92	97.28	30.51
AMP w/o drift gate	61.67	96.13	72.85	97.16	98.68	98.21	37.08
Echo-Forcing	61.69	97.17	72.09	97.17	98.79	98.28	47.59

移除 AMP 会把 Dynamic Degree 从 47.59 降到 35.31；只有 AMP 且没有可靠门控时，背景一致性从 97.17 降到 94.28，说明盲目放大幅值会引入不可靠 memory；加入 drift gate 后，动态与稳定性同时提升。

Anchor / memory budget：

Ablation	Key finding
Static anchors	Dynamic Degree 只有 27.08，说明固定 early reference 过度压制运动。
Positive / Reverse rolling	Dynamic Degree 分别为 42.50 / 42.08，但边界稳定性不如 bidirectional。
Bidirectional rolling	Dynamic Degree 47.59，Temporal Flickering 98.28，Background 97.17。
6 anchors + 9 compressed	Imaging Quality 72.42 最高，但 Dynamic 39.27，长程运动弱。
15 anchors + 0 compressed	Subject 97.68 高，但 Dynamic 41.04，说明只靠 anchors 不够。
12 anchors + 3 compressed	Background 97.17、Motion 98.79、Flicker 98.28、Dynamic 47.59 最优，作为默认配置。

Scene memory modules：

Component	Baseline	Echo-Forcing result	Interpretation
Recall source: No memory → Recall Frame	Subject 74.97 → 83.39；Text 33.48 → 34.27	Scene Recall Frames 明显优于无记忆、first frame 或 single crucial frame。
Memory decay: No decay → Ours	Text 25.74 → 29.77；Subject 94.68 → 95.32；Background 92.45 → 93.74	token-wise soft forgetting 比固定 decay ratio 更能同时保留兼容内容、压制冲突背景。
Drift gate sensitivity	$\lambda =1$ Dynamic 36.35；$\lambda =3$ Dynamic 34.79；$\lambda =2$ Dynamic 47.59	过小反应不够，过大过度压制 AMP，默认 $\lambda =2$ 最平衡。

5.3 User study

Setting	Method	Text Align	Subject	Motion	Video Quality
Long	Self-Forcing	2.44	2.81	2.69	2.24
Long	Deep-Forcing	2.89	2.43	2.03	1.13
Long	$\infty$-RoPE	2.97	2.83	3.05	3.04
Long	Rolling-Sink	3.24	3.28	3.16	3.33
Long	LongLive	3.16	3.23	3.08	3.34
Long	Echo-Forcing	3.52	3.33	3.64	3.41
Interactive	$\infty$-RoPE	3.61	3.41	3.56	3.63
Interactive	LongLive	3.46	3.58	3.25	3.19
Interactive	Self-Forcing	2.52	2.38	2.13	2.36
Interactive	Echo-Forcing	3.80	3.47	3.78	3.68

人类评分与自动指标一致：Echo-Forcing 在 long-video 的四个维度全部最高；interactive 中 Text Align、Motion Smooth、Video Quality 最高，Subject Consistency 略低于 LongLive（3.47 vs. 3.58），这提示方法更偏向 prompt responsiveness 与转场/召回质量，未必在所有情况下最大化全局主体相似。

5.4 Additional qualitative results

Figure 6 解读：额外 long-video 示例显示 Echo-Forcing 在多段动作和长时间 rollout 中维持主体身份、背景结构和视觉质量；这主要对应 Hierarchical Temporal Memory 中 anchor + compressed + recent 的组合。

Figure 7 解读：smooth transition 示例强调相邻段落之间的主体、场景和动作连续性。此处不需要强行清空历史，而是让 recent window 与兼容旧记忆继续提供局部动态。

Figure 8 解读：hard cut 示例中，背景和动作突然变化但主体需要保持。Difference-aware Memory Decay 的作用是快速降低旧背景 token 的贡献，同时保留与主体身份相关的兼容 token。

Figure 9 解读：2-minute long-video comparison 更突出长程误差积累问题。Echo-Forcing 相比代表性 baselines 更能维持主体外观、背景一致性和帧级质量，但 FPS 不是最高，LongLive 因 active cache 更小有更高吞吐。

Figure 10 解读：Scene Recall Frames 的可视化展示每个 scene 的原始关键帧与 fused recall representation。它不是简单选第一帧，而是在 spatial position 上融合多个 stable frames，因此能保留互补的主体纹理、背景布局和遮挡区域线索。

Figure 11 解读：额外 scene-recall 结果展示 A-B-C-A-B-C 式长距离召回。Echo-Forcing 能在后半段取回前面场景的 identity/background，而不是把最近场景混入召回目标。

5.5 Limitations / caveats

论文结论强调 Echo-Forcing 在 bounded cache 下提升 long-video 和 interactive generation，但需要注意三点：第一，公开仓库尚未释放实现代码，无法核对公式与真实 engineering choices，也无法验证 H100 实验脚本、batching、采样参数等细节；第二，方法依赖 base autoregressive video diffusion backbone 的 KV-cache 可访问性，对闭源或不暴露 attention cache 的模型不直接适用；第三，automatic routing 基于 prompt embedding similarity 与固定阈值，在语义相近但视觉应 hard cut、或语义不同但视觉应保持的场景中可能需要人工 tag 修正。

总体结论：Echo-Forcing 的实验支持“scene memory lifecycle”这个假设——将历史 KV 分成 preserve / recall / forget 三类操作，比单一 sliding-window、sink token 或粗暴 flush 更适合交互式长视频生成。它的主要贡献是 training-free memory organization，而不是新视频 backbone 或新训练目标。