**LongLive-RAG：用于长视频生成的通用检索增强框架**

_LongLive-RAG: A General Retrieval-Augmented Framework for Long Video Generation_

> 针对自回归视频扩散模型在长视频生成中因滑动窗口注意力机制导致的误差累积和身份漂移问题，本文提出了LongLive-RAG框架。该框架将长视频生成建模为检索增强生成（RAG）问题，不再仅依赖近期窗口，而是将先前生成的潜在状态视为可搜索的历史记录。通过查询嵌入检索相关历史潜在状态，使生成器能基于非局部上下文进行条件生成，有效减少了滑动窗口注意力带来的误差积累。实验表明，该方法在多个自回归骨干网络和生成长度上提升了长视频质量，在VBench-Long排名中表现最佳。这是首个将自生成潜在历史建模为可内容寻址检索记忆的开放式自回归长视频生成方法。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.02553)