jay 自测日记录 · 2026-10-25

总分：40/50 知识盲区：①「并行 vs 链式」只复述「并行更好（30.1→30.9）」，说不清为何并行分支互不依赖、链式为何传播误差；②双路监督（干净上下文 +1.2 / 噪声目标 +2.3 / 组合 +3.3）的「干净上下文」指哪一路输入、「噪声目标」对应哪种退化，讲不清各对应哪个 loss 项；③FCP 分支的监督信号来自 feature space 还是 VAE latent 空间，我记混了；④57.9% 算力 / 63.4% 数据量省在「IQ 26.978 处相对 teacher forcing 拟合曲线」，我记数字但记不住拟合曲线拟合什么量，因此无法论证它与 Table 2 的 +3.4 IQ 为何不矛盾；⑤喂文本条件掉 1.1 分，我只记住「文本泄漏未来信息」，记不住官方描述的具体泄漏机制；⑥--v2v_context_latents 显式 K 取开头、自动取结尾的反直觉规则记了结论，记不住理由。

来源论文：arXiv 2610.29989 — Looking Ahead: Modeling Future Evolution in Autoregressive Video Generation（cs.CV, 2026-10）
被使用文件：organized/guides/x-tip-2113280305301971067.md
出题范围：仅本篇材料；历史上下文仅读 selftest/jay/index.md 与 entries/2026-10-24.md

题目一（问题定义 · TF 为何不够）

问：FCP 解决自回归视频生成的什么问题？teacher forcing 下「能接得上」为何不等于「懂演化」？

答：相邻 chunk 视觉冗余极强。teacher forcing 训练时当前 chunk 的去噪条件含 ground-truth 历史，模型可直接拿「上一 chunk 末尾与当前 chunk 开头本来就连续」这一局部连续性当捷径去噪，无需理解场景如何演化。物理规律是长程的，局部连续性蒙混不过去，故物理一致性差。FCP 加若干并行未来预测分支，同一中间特征 h_t 去预测 t+1…t+5 的 latent，不给中间 ground-truth 上下文：目标越远，捷径越失效，被迫建模演化本身。

评分：9/10 扣分：未写出「局部连续性只在短程有用、长程物理无法靠它蒙混」这层因果落点。

题目二（方法 · 结构与「不给中间 GT」）

问：FCP 分支怎么搭？为何「不给中间 GT」是核心而非细节？并行为何优于链式？

答：同一 h_t 经 source_layer_fusion.mode=mlp（hidden_ratio 2.0、GELU），由主干 27–29 层拷贝初始化（init_mode=copy）的 mini_dit_depth=3 小模块，按 future_offsets=[1,2,3,4,5]、每 offset 权重 0.5 并行预测 t+1…t+5 的 latent。核心是不给中间 GT：给了 t+1 真值，预测 t+2 又能靠真值续上，捷径回来。并行优于链式（1.3B IQ 30.1 → 30.9）：链式拿上一分支的预测当条件，误差沿链传播且早期误差无法被纠正。

评分：8/10 扣分：并行优于链式只答「误差传播」，未指出并行各分支共享同一 h_t、互不依赖；「每 offset 0.5」我也没意识到是逐 offset 而非全局权重。

题目三（推理 · 零开销与参数坑）

问：为何 FCP 是训练方法而非推理技巧？推理移除什么、保证什么？哪些参数易踩坑？

答：FCP 只是训练期辅助目标，推理时未来预测分支全部移除，自回归 rollout 结构与 TF 基线一致，故推理零额外开销。坑点：①--duration 是含上下文的总时长；②--sink 默认 3 个 latent 帧作 attention sink；③--v2v_context_latents K 显式给 K 取视频开头，自动模式取结尾；VAE 时间步长 4、常规 chunk 3 latent 帧、首帧独立，故合法 K=1+3M（4,7,10…，对应 13/25/37 像素帧），5B/24FPS 自动 K=7（25 帧），1.3B/16FPS K=4（13 帧）；④默认 sampling_steps=50、unipc、guidance_scale=3.0、timestep_shift=5.0；⑤输入按比例缩放后中心裁剪，边缘内容可能被裁掉。

评分：9/10 扣分：没解释显式 K 取开头、自动取结尾的理由（只记规则）。

题目四（数据口径 · 数字与不可混用）

问：+11.2% / +9.4% 在什么模型与基准上测得？57.9% / 63.4% 的口径是什么？能与「少 42.6% / 50.7% 算力」那组混用吗？

答：Table 2 为同数据同设置受控对比，模型 Wan2.2-TI2V-5B，基准 Physics-IQ Verified：I2V IQ 30.4 → 33.8（+11.2%）、V2V IQ 40.6 → 44.4（+9.4%）；1.3B 上 27.6 → 30.9。57.9% / 63.4% 来自项目页图表：在 IQ 26.978 处，相对 TF 的拟合曲线，FCP 少 57.9% 算力、少 63.4% 数据量。两组口径不同不可混用——正文另有一组「相比 full-context 变体少 42.6% / 50.7% 算力（对应 IQ 29 / 30）」。Table 1 跨模型数字不可归因（数据与设置不同），真正对照是 Table 2 / Table 4。

评分：8/10 扣分：记不住「拟合曲线」拟合什么量，故只能声明它与 Table 2 数字不矛盾却给不出理由；未主动点明 42.6%/50.7% 是相对 full-context 变体、对应 IQ 29/30。

题目五（消融与落地 · 什么不能抄）

问：「并行优于链式」「喂文本掉 1.1 分」「干净+噪声双路 +1.2/+2.3/+3.3」分别说明什么？demo 数据集能当训练语料吗？能直接抄进自己管线吗？

答：并行优于链式说明分支应互不依赖、共享同一 h_t；喂文本掉 1.1 分说明文本会泄漏未来信息，等于开了更近的捷径，反而削弱演化建模（反向印证「不给中间 GT」）；双路 +1.2 / +2.3 / 组合 +3.3 说明两路互补，不能只要一路。demo 不能当语料：只是 loader 格式示例，100 个 WISA 身份 × 2 个 Wan family = 200 条 latent，官方明写「不是完整历史训练语料，也不是评测基准」，且不含源视频。抄是可以抄进训练管线（推理零开销、不需额外预训练视觉编码器），但成本要算清：5B 需 H200 级显存 + 多卡，1.3B 才是现实起点；1.3B 用 Wan2.1 编码、5B 用 Wan2.2 编码，两种 VAE 潜变量不能互换（磁盘 [C,T,H,W] 与 loader [T,C,H,W] 也不同）；conda+pip 安装 README 仍是 TODO，别按旧教程走；论文数字不能当自己实验的预期，换数据/设置就得重测。

评分：6/10 扣分：消融只复述数字与标签式解释（文本泄漏、两路互补），说不出双路各对应哪个 loss 项、「干净上下文」具体指哪路输入；也没给出「不给文本条件结构性更安全」的理由。

总评

总分：40/50（方法主干掌握较好：问题定义、FCP 结构与「不给中间 GT」的核心、训练期辅助目标⇒推理零开销、Table 2 口径与「两组算力数字不可混用」的纪律均答对；也能避开 demo 当语料、conda TODO、跨模型不可归因等坑。）

主要盲区（按优先级）： 1. 消融机制停在标签层——数字记得住，因果讲不清。 2. 并行 vs 链式只想到误差传播，没到「共享 h_t、互不依赖」。 3. 监督信号所在空间（feature space vs latent space）易记混。 4. 「拟合曲线」拟合什么量记不住，无法论证与 Table 2 不矛盾。 5. 反直觉规则（显式 K 取开头 vs 自动取结尾）只记结论不记理由。 6. 数字口径纪律已能声明两组不可混用，但未核验出处（项目页无完整推导公式）仍只能标注来源、无法独立复算。

后续动作：下轮靶子压在论文消融小节原文（并行 vs 链式、文本条件、双路监督），逐条把「数字—机制」对上；并核清「拟合曲线」的被拟合量定义。