核心观点 - 微软研究院与北大联合发布新框架Next-Frame Diffusion (NFD)，实现每秒超30帧自回归视频生成，同时保持高质量画面 [1][2] - NFD通过帧内并行采样和帧间自回归方式提升生成效率，在NVIDIA A100 GPU上生成《我的世界》视频仅需0.48秒 [2][4] - 该技术可能改变游戏行业交互方式，玩家可直接与模型交互而无需传统游戏引擎 [3] 技术架构 - NFD采用帧内双向注意力和帧间因果注意力机制建模视频，使用扩散模型多步迭代生成连续Token [21] - 引入块状因果注意力机制的Transformer，将整体计算成本减少50%，支持高效并行预测下一帧所有Token [25][26] - 基于Flow Matching构建训练流程，通过线性插值生成加噪版本并最小化Flow Matching损失 [27] 性能优化 - 通过一致性蒸馏扩展到视频领域，将流匹配模型转换为TrigFlow模型，简化训练过程 [28] - 提出投机采样技术，利用可预测的用户输入并行生成多帧，预测错误时丢弃后续帧重新生成 [30][33] - 310M模型FVD达到212，PSNR为16.46，优于MineWorld（1.2B）的FVD 227和PSNR 15.69 [35] 性能表现 - NFD+加速版本130M和310M模型分别达到42.46FPS和31.14FPS，远超基线 [36] - 310M模型在PSNR上达到16.83，FVD为227，与更大的MineWorld模型表现相当 [37] - 相比此前每秒4-7帧的MineWorld模型，NFD生成速度快了几倍 [15][18] 行业影响 - 视频生成模型在多个领域快速发展，包括Sora、可灵、Veo3等产品及Genie、MineWorld等游戏模拟器 [37] - 该技术为未来世界模型的实现提供重要基础，高效生成范式变得越来越重要 [37] - 可能重塑游戏行业交互模式，实现玩家与模型的直接互动 [3]