STRIDE架构提出语义前瞻机制改进驾驶视频续写

研究者 Ruibo Ming 等人发布论文，提出名为 STRIDE 的大视觉模型架构，用于改进自回归驾驶视频续写。该架构通过交错生成语义 token 与 RGB token，把视频续写拆分为低熵语义图预测和高频外观生成两个子任务，语义 token 充当“结构寄存器”，以保留场景的长期上下文与世界动态。 论文称，这一设计针对自回归视频续写中的“生成退化”问题。相关效果目前仅为论文中的主张，尚待进一步验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。