未来分块预测：为自回归视频生成建模场景演化

研究提出未来分块预测（FCP），作为与 teacher forcing 去噪联合优化的辅助目标，让模型在看不到中间视觉上下文的情况下预测时间上相隔的分块。该方法直接从训练视频取监督信号，无需额外预训练视觉编码器，也不改变自回归推理流程，在更低的总训练算力下取得比标准 teacher forcing 训练更好的物理合理性。