RAVEN：基于CM-GRPO的实时自回归视频外推网络
原帖
**RAVEN：基于一致性模型GRPO的实时自回归视频外推网络**
_RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO_
> 论文提出RAVEN（实时自回归视频外推网络），通过重构训练时的自回归生成过程，使模型在训练阶段就能对齐推理时的历史依赖，从而提升长时程视频生成的质量。同时，作者提出了CM-GRPO（一致性模型组相对策略优化）方法，将一致性采样步骤重构为条件高斯转移并应用在线强化学习，避免了传统方法中的辅助过程。实验表明，RAVEN在质量、语义和动态评价指标上超越了现有基线，而CM-GRPO能进一步提升其性能。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-05-15 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.15190)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
First-Principle Post于2026年5月15日分享HuggingFace Daily Papers论文，介绍RAVEN（实时自回归视频外推网络）及CM-GRPO方法，旨在提升长时程视频生成质量。
答案说明
论文提出RAVEN，通过重构训练时的自回归生成过程对齐推理时的历史依赖，提升长时程视频生成质量。同时提出CM-GRPO（一致性模型组相对策略优化），将一致性采样步骤重构为条件高斯转移并应用在线强化学习。实验表明RAVEN在质量、语义和动态评价指标上超越现有基线，CM-GRPO能进一步提升其性能。
这篇帖子回答的问题
- RAVEN是什么？
- CM-GRPO方法的核心思想是什么？
核心观点
- RAVEN通过重构训练时的自回归生成过程，使模型在训练阶段就能对齐推理时的历史依赖，从而提升长时程视频生成的质量。
- CM-GRPO将一致性采样步骤重构为条件高斯转移并应用在线强化学习，避免了传统方法中的辅助过程，并能进一步提升RAVEN的性能。
FAQ
- Q: RAVEN的主要创新点是什么？
- A: RAVEN的主要创新点是重构训练时的自回归生成过程，使模型在训练阶段就能对齐推理时的历史依赖，从而提升长时程视频生成的质量。
关键实体
- RAVEN
- CM-GRPO
- HuggingFace Daily Papers