Glance Forcing：以极少轨迹监督将双向扩散转为自回归生成

该研究面向实时、因果视频生成及视频世界模型，提出 Glance Forcing，以分阶段专家蒸馏降低双向扩散模型转换为因果少步生成模型时的 PF-ODE 轨迹监督成本。基于摘要分析，尚未取得论文全文。 作者指出，既有转换流程依赖昂贵的离线 Probability Flow ODE（PF-ODE）轨迹采集；将轨迹监督压缩至单一样本时，生成质量会严重下降。作者将这一现象归因于教师去噪轨迹的阶段差异：高噪声阶段主要涉及语义布局与运动，低噪声阶段主要涉及细节纹理，两者的曲率与优化行为不同，单一学生联合拟合时会产生表征干扰。这是作者提出的机制解释，尚需结合正文实验核对。 Glance Forcing 将去噪轨迹解耦为互补的 slow 与 fast 专家，分别采用阶段特定目标，并保持预训练教师完全冻结。摘要未给出专家结构、阶段边界及具体损失。作者进一步认为，PF-ODE 蒸馏主要用于拉直少步轨迹几何，而后续 distribution-matching 阶段独立影响生成分布质量。 作者报告，仅使用一条 PF-ODE 轨迹时，VBench Total 从其所称充分训练的最先进基线的 84.04 提升至 84.22，轨迹采集成本由数千 GPU-hours 降至约一个 A100-GPU-hour；该成本指轨迹采集，不能据此视为总训练成本。作者还报告 dynamic degree、VisionReward、指令遵循及人工偏好有所改善，但摘要未提供具体数值、评估样本量或统计不确定性。基线身份、生成设置、实验协议、消融及统计信息尚未验证。 该工作的直接研究对象是视频生成，而非 EEG 解码或 BCI。其机制依赖预训练扩散教师与可分阶段处理的去噪轨迹，不能直接视为神经信号任务中的有效方法；摘要尚不足以确立具体 EEG 迁移路径，已有 EEG 相关工作也尚未检索确认。复现需进一步核对教师模型、轨迹采样方式、专家训练目标及完整计算预算。