AI一次性生成63秒《猫和老鼠》动画片，无编辑无拼接剧情100%全新

AI 也能生成逼真的《猫和老鼠》动画片了！长度可以达到 63 秒，剧情也可以重新生成。

当地时间 4 月 8 日，来自英伟达、美国斯坦福大学、加州大学圣地亚哥分校、加州大学伯克利分校、得克萨斯大学奥斯汀分校的研究人员，基于测试时训练（TTT，Test-Time Training）生成了多个《猫和老鼠》的动画视频。

他们在预训练的 Transformer 模型中添加了测试时训练层并对其进行微调，借此生成了具有强时间一致性的《猫和老鼠》一分钟动画片。

研究人员表示，每个视频都是由模型一次性直接生成的，没有经过编辑、拼接或后处理，每个故事也都是全新创作的。

那么，上述视频到底是怎么生成的？研究人员表示，如今的 Transformer 模型在生成一分钟视频方面仍然面临挑战，因为自注意力层在处理长上下文时效率低下。诸如 Mamba 层之类的替代方案在处理复杂的多场景故事时表现不佳，因为它们的隐藏状态表现力较弱。

为此，他们使用了测试时训练层，其隐藏状态本身可以是神经网络，从而具备更强的表达能力。当在预训练的 Transformer 中加入测试时训练层，使其能够根据文本分镜脚本生成一分钟的视频。

研究中，他们从一个预训练的扩散 Transformer（CogVideo-X 5B）开始，原本其只能以 16 帧每秒的速度生成 3 秒的短片段，或以 8 帧每秒的速度生成 6 秒的短片段。

但是，研究人员添加了从头初始化的测试时训练层，并对该模型进行微调，以便根据文本分镜脚本生成一分钟的视频。

他们将自注意力层限制在 3 秒的片段内，以便将研究成本保持在可控范围内。整个训练过程运行在 256 个英伟达 H100 上，相当于消耗了 50 小时的训练时长。

为了快速进行迭代，研究人员基于约 7 小时的《猫和老鼠》动画片，并辅以人工标注的分镜脚本，整理了一个文本到视频的数据集。

作为概念验证，本次研究中的数据集侧重于复杂、多场景、长镜头且充满动态动作的叙事。而对于视觉和物理真实感方面，此前人们已经取得显著进展，所以本次研究未作重点强调。

从宏观层面来看，本次方法只是在预训练的扩散 Transformer（Diffusion Transformer）上添加了测试时训练层，并在带有文本注释的长视频上进行微调。

他们采用了预先添加测试时训练层、然后再进行微调的方法，这种方法原则上适用于任何主干架构。

研究中，他们选择扩散 Transformer 作为初步演示，因为它是视频生成中最流行的架构。由于在视频上预训练扩散 Transformer 的成本过高，所以研究人员从 CogVideo-X 5B 的预训练检查点开始。

他们将视频设计为包含多个场景，每个场景包含一个或多个 3 秒的片段，并采用 3 秒片段作为文本与视频配对的最小单位，之所以这样做的原因有三个：

第一，原始预训练的 CogVideo-X 的最大生成长度为 3 秒。第二，在《猫和老鼠》的剧集中，大多数场景的时长至少为 3 秒。第三，以 3 秒为一段构建多阶段数据集最为方便。

在推理阶段，研究人员按照以下三种格式中的任何一种，以详细程度递增的顺序来编写长视频的文本提示。

• 格式 1：用 5-8 句话简短概述情节。

• 格式 2：用大约 20 句话详细描述情节，每句话大致对应 3 秒的片段。

• 格式 3：分镜脚本。每一个 3 秒钟的片段都由一段 3 到 5 句话来描述，内容包含背景颜色和镜头移动等细节。一个或多个段落组成的脚本组，会被严格地界定为属于某些场景，并且要使用关键词“<场景开始>”和“< 场景结束 >”。

在微调和推理中，文本分词器的实际输入始终采用格式 3，格式之间的转换由 Claude 3.7 Sonnet 按 1→2→3 的顺序执行。

为了生成时间较长的视频，研究人员针对每个 3 秒的片段都独立使用相同的程序。

具体而言，给定一个包含 n 段落的格式 3 的分镜脚本，首先生成 n 个序列片段，每个片段都包含从相应段落提取的文本标记以及后续的视频标记。

然后，将所有 n 个序列片段连接在一起，从而形成输入序列，这时序列中包含交错排列的文本 tokens 和视频 tokens。

对于 CogVideo-X 来说，它采用自注意力层来针对每段最长 3 秒的视频进行全局序列处理。但是，面对长视频时，其所采用的全局注意力机制会显著降低效率。

为了避免增加自注意力层的上下文长度，研究人员将其处理范围限定在每个 3 秒片段内，使各 n 个序列片段能够独立进行注意力计算。

由于测试时训练层能够高效地处理长上下文序列，因此他们采用全局方式来处理整个输入序列。

遵循大语言模型的标准做法，研究人员将改进架构的上下文长度分为五个阶段，并将其扩展至一分钟。

具体来说，他们先在《猫和老鼠》的 3 秒片段上针对整个预训练模型进行微调。

在此阶段，新的参数特别是测试时训练层和门控机制中的的参数，会被赋予更高的学习率。

接下来，研究人员分别对 9 秒、18 秒、30 秒以及最终的 63 秒的视频进行微调。

为了避免模型在预训练过程中遗忘过多的世界知识，研究人员仅对测试时训练层、门控层和自注意力层进行微调，且在这四个阶段中使用较低的学习率。

在原始视频的选取上，他们选择了从 1940 年至 1948 年间发行的 81 集《猫和老鼠》，每集时长约 5 分钟，所有集数加起来时长约 7 小时。

然后，研究人员在原始视频上运行一个视频超分辨率模型，从而为数据集生成视觉效果更强的视频，这些视频的分辨率均为 720×480。

接着，他们让人工标注员将每个片段分解为场景，然后从每个场景中提取 3 秒长的片段。

接下来，研究人员让人工标注员为每个 3 秒的片段撰写一段详细的描述，然后直接针对这些片段进行微调。

为了创建数据，研究人员将连续的 3 秒片段拼接成 9 秒、18 秒、30 秒和 63 秒的视频，并附上相应的文本注释，所有训练视频的标注均采用上文的格式 3。

对于 GPU 而言，要想高效地实现测试训练层-多层感知器（TTT-MLP，Test-Time Training-Multi-Layer Perceptron），就需要进行特殊设计，以便利用其内存层次结构。

英伟达 GPU 架构中的核心计算单元是流式多处理器（SMs，Streaming Multiprocessors），其功能类比于 CPU 中的单个核心。

GPU 上的所有流式多处理器共享一个相对较慢但容量较大的全局内存（即 HBM，High Bandwidth Memory），然后每个流式多处理器都有一个快速但容量较小的片上内存（即 SMEM，Shared Memory）。

GPU 上 SMEM 与 HBM 之间的频繁数据传输会显著降低整体效率。而 Mamba 和自注意力层通过利用内核融合技术，可以减少这类数据的传输。

其核心思想是将输入和初始状态加载到每个 SMEM 中，完全在片上进行计算，并且只将最终输出写回 HBM。

然而，TTT-MLP 的隐藏状态即双层 MLP 函数 f 的权重矩阵 W(1) 和 W(2)，由于体积过大无法存储于单个流式多处理器的共享内存中。

为了减少每个流式多处理器所需的内存，研究人员使用张量并行机制，将 W(1) 和 W(2) 在流式多处理器之间进行分片。

由于大型多层感知器层可以被分片并跨多个 GPU 的高带宽存储器上进行训练，因此研究人员将同样的思路用于多个流式多处理器的共享内存中，将每个流式多处理器视为一个 GPU 的类比。

研究人员利用英伟达 Hopper GPU 架构的分布式共享内存特性，实现了流式多处理器间的全局归约操作，进而显著提升了效率。

作为一种通用原则，如果一个模型架构 f 可以通过标准张量并行机制在 GPU 之间进行分片，那么当 f 用作隐藏状态时，同样的分片策略也可以用于流式多处理器之间。

不过，本次研究的 TTT-MLP 内核受限于寄存器溢出和异步指令的次优排序。未来，通过降低寄存器压力以及开发编译器感知更强的异步操作方案，其执行效率或能得到进一步提升。总的来说，本次方法有望用于生成更长、更复杂视频，也许下一代儿童将能看上由 AI 生成的动画连续剧？目前看来，这一设想并非没有实现的可能。

参考资料：

https://test-time-training.github.io/video-dit/

https://x.com/arankomatsuzaki/status/1909336661743550555

运营/排版：何晨龙