Next Forcing：多区块预测框架加速世界模型训练与推理

标题：Next Forcing：多区块预测框架加速世界模型训练与推理 摘要：受大语言模型多Token预测启发，Next Forcing提出多区块预测框架，通过同时预测未来多个视频区块实现更快收敛、更高精度与2倍推理加速，在RoboTwin基准上取得SOTA成绩。 来源信息：原作者/维护者：arXiv authors；来源平台：arxiv；原始标题：Next Forcing: Causal World Modeling with Multi-Chunk Prediction；原始链接：http://arxiv.org/abs/2606.11187v1；发布时间：2026-06-09T17:59:22Z

自回归视频生成是构建世界动作模型（WAMs）的主流范式，但面临两大挑战：训练收敛缓慢且精度有限（尤其高帧率场景）；推理需迭代去噪导致速度慢。训练效率低的根本原因是监督信号设计缺陷——仅监督当前区块，缺乏未来动态显式引导，模型难以捕捉长程依赖，限制对物理世界因果关系的理解深度。

Next Forcing受LLM多Token预测启发，提出多区块预测（MCP）框架：训练时同时预测未来多个时间尺度视频区块，形成从近到远的预测链条。具体实现：主模型基础上增加轻量级辅助MCP模块，链式结构（next¹→next²→next³），复用主模型中间特征平衡效率与能力。优势：近未来预测指导远未来形成梯度流；多尺度时间监督信号丰富训练信号密度与多样性。

实验验证有效性：50帧/秒下，5000步训练相对LingBot-VA性能提升93.1%，收敛速度快2.3倍；RoboTwin基准Clean设置94.1%、Random设置93.5%（SOTA）；物理世界视频生成（PhyWorld）基准改进显著；通用视频预训练FVD降低超50%，生成质量与多样性提升。

推理阶段保留MCP模块，实现2倍加速：传统自回归需逐帧迭代去噪，Next Forcing可并行预测当前与下一个区块。此特性对延迟敏感场景（机器人实时控制、自动驾驶决策）至关重要，不牺牲质量前提下降低延迟，为WAMs落地扫清障碍。

技术启示：LLM多Token预测思想成功迁移至多模态视频生成领域，跨模态技术迁移值得关注。未来方向：探索更多时间尺度预测、复杂因果结构建模、扩展到音频/触觉等模态。从业者建议：Next Forcing是提升WAMs性能的立即可用工具，可作为学术与工业应用的基线方案。