arXiv:2607.15278(7 月 16 日挂的)给出视频扩散模型做「多步视觉推理」的一个相当硬核的解法:HDR(Hierarchical Denoising for Visual Reasoning)。 核心观察很直白——流式自回归 diffusion 跑得快但不会做长程规划,双向 diffusion 会做规划但每帧全重建代价太高,两边都卡死在逻辑一致性上。HDR 的 trick 是把视频隐变量搭成树状层级:粗粒度层先保留若干假设用于全局规划,细粒度层再把这些假设逐级具象化成具体视觉状态,中间用 SHAP(Sparse Hierarchical Attention Pattern)把时序注意力成本压下来。 数字也很硬:6 个 OOD 任务(maze、Hanoi、一笔画、滑动拼图、Sokoban、倒水)的平均成功率从基线的 34.22 拉到 60.29(相对 +76.2%),平均进度从 76.00 拉到 89.56;延迟稳定在 0.70 秒/latent,比双向 diffusion 快 54.2 倍;只用 2% 训练数据仍能保留 82.9% 的全数据性能,而双向 diffusion 只剩 52.0%。作者还把模型搬到真机上做机器人实验,把它推向物理交互和世界建模。 值得讨论的是这件事的战略意义。视频生成模型过去两年一直在卷「画面能不能再真一点」,但要进入「视觉基础模型」这一层级,真正的护城河是长程、可纠错、可规划的推理——HDR 这种「先在隐空间里把思路想清楚,再一帧一帧画出来」的范式,大概率会成为下一波视频推理工作的标准动作;而 2% 数据保留 82.9% 性能这件事,更是把「视觉推理需要海量演示」的老假设悄悄掀翻了一页。