# FCP辅助目标优化自回归视频生成，提升物理合理性与世界模型潜力

> 原文链接：https://robotics.hellobike.com/papers/2026-10-21-2610-29989-538d4dd8
> 频道：papers | 更新日期：2026-10-21 | 标签：auto, arxiv, hf-daily-papers
> 核心摘要：针对自回归视频扩散模型物理演化建模不足问题，提出Future Chunk Prediction辅助训练目标。该方法无需额外预训练编码器，在更低算力预算下实现优于标准Teacher Forcing的物理合理性，并构建出更具结构化的表征空间。

# FCP辅助目标优化自回归视频生成，提升物理合理性与世界模型潜力

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation](https://arxiv.org/abs/2610.29989)（HF Daily Papers · arXiv 2610.29989）

## 核心内容

自回归视频扩散模型在Teacher Forcing机制下易利用时序冗余作为去噪捷径，导致虽视觉连续但缺乏真实物理演化逻辑。研究提出Future Chunk Prediction（FCP）辅助目标，通过预测时间分离的视频块且不提供中间视觉上下文，迫使模型学习场景演变规律而非局部纹理拼接。

FCP直接从训练视频获取监督信号，无需引入额外预训练视觉编码器，且不改变自回归推理流程。实验表明，联合优化FCP与标准去噪目标可在降低整体训练算力预算的同时，获得超越纯Teacher Forcing训练的物理合理性。可视化分析证实FCP诱导出了更结构化的表征空间，为构建自回归世界模型提供了关键支撑。

## 关键看点

- **FCP机制**：预测时间分离视频块且屏蔽中间视觉上下文，强制模型学习长程物理演化而非依赖局部时序冗余捷径
- **零额外开销**：监督信号直接源于训练视频，无需外挂预训练视觉编码器，自回归推理阶段保持原有架构不变
- **训练效能**：联合优化FCP与Teacher Forcing，在更低总算力预算下实现比标准方法更优的物理合理性指标
- **世界模型潜力**：FCP诱导出更具结构化的潜在表征空间，验证了未来块监督对构建自回归世界模型的有效性

## 工程与产业观察

FCP通过低成本辅助目标解决了具身智能世界模型训练中“视觉连续但物理失真”的核心痛点。其无需额外编码器即可提升物理合理性与表征结构化程度，为机器人仿真环境构建及视频生成式策略学习提供了高效的数据增强与动力学建模新范式。

## 英文摘要 (Abstract)

Autoregressive video diffusion models generate videos chunk by chunk, yet producing plausible continuations does not guarantee that they capture how scenes evolve. Under teacher forcing, strong temporal redundancy may allow local visual continuity to serve as a shortcut for current-chunk denoising, reducing the pressure to model visual evolution. We introduce Future Chunk Prediction (FCP), an auxiliary objective jointly optimized with teacher-forced denoising that predicts temporally separated chunks without access to the intervening visual context. Drawing supervision directly from training videos, FCP requires no additional pretrained visual encoder and leaves autoregressive inference unchanged. Our method achieves superior physical plausibility over standard teacher-forced autoregressive training with a lower overall training compute budget, highlighting the effectiveness and efficiency of future-chunk supervision for modeling visual evolution. Intriguingly, our visualizations suggest that FCP fosters a more structured representation space, which may be valuable for building autoregressive world models.

Hugging Face Daily Papers 热度：108 upvotes
作者：Ruopeng Gao, Yukun Huang, Jiarui Hu, wangshuai, Wenbo Hu, Ying Shan, Limin Wang
:::

## 原始参考来源 (Sources)

- [HF Daily Papers · arXiv 2610.29989：Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation](https://arxiv.org/abs/2610.29989)