视频生成模型越来越强，但只要超过几十帧，几何漂移、物体「换脸」就成为通病——根源在于把整段视频摊平喂给 Transformer 时，序列长度指数级爆炸。MIT Sitzmann 实验室（Ishaan Preetam Chandratreya、David Charatan、Basile Van Hoorick 等）6 月 8 日在 arXiv 放出的 MilliVid，把这个问题拆成了两件事：第一，多尺度自编码器。把每一帧压成一组层级 token——从常规潜变量一直压缩到「每帧仅几个 token」。最粗的层级只保留场景布局、语义与对象身份；细层级再补高频外观与纹理。这样不同重要性的信息自然分层。第二，粗到细的 rollout 视频扩散。训练时先生成粗 token，再用它指导细 token 的生成；推理时模型只在「值得分配算力」的维度上做长程一致性约束。结果是在长 Minecraft 视频评测里，几何与物体持续性显著优于既有基线。比起把上下文硬塞进注意力，或用「滚动窗口」剪断长程依赖，MilliVid 的思路更接近人类视觉——先记忆骨架，再补充细节。对工业界的启发是：长视频生成不必非要 1M 上下文，用「粗到细」分配算力比堆长度更有效。