💻 computer science

Video Models Reason Early: Exploiting Plan Commitment for Maze Solving

该论文通过研究发现视频扩散模型在生成初期即会锁定高层运动规划，并据此提出“早期规划链式生成”（ChEaP）方法，通过筛选优质早期规划并串联生成，显著提升了模型在长程迷宫任务中的推理成功率。

原作者： Kaleb Newman, Tyler Zhu, Olga Russakovsky

发布于 2026-04-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Kaleb Newman, Tyler Zhu, Olga Russakovsky

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在给现在的AI 视频生成模型做了一次“心理侧写”，发现了一个非常有趣的秘密：这些模型在“思考”时，其实早就把大方向定好了，后面的工作只是在“精装修”。

为了让你更容易理解，我们可以把 AI 画视频的过程想象成一个画家在画一幅迷宫探险的画。

1. 核心发现：画家“先定路线，后画细节”

通常我们认为，AI 画视频是一步步慢慢变清晰的：先画个大概，再慢慢加细节，最后才决定怎么走。

但这篇论文发现，事实完全相反。

比喻：想象这个画家在落笔的前几秒（也就是去噪的前几步），脑子里就已经画好了一条完整的路线图（比如：先往右走，再绕过湖泊，最后到达礼物）。
现象：一旦这条“大路线”定下来，后面几十步的工作，其实只是在把线条描粗、把颜色涂匀、把精灵画得更可爱。哪怕你让画家再画很久，他也不会突然改变路线去走另一条路。
结论：AI 在视频生成的早期就已经“承诺”了它的计划（Early Plan Commitment）。

2. 遇到的困难：为什么长迷宫很难走？

既然 AI 能定路线，为什么它还是经常走不出复杂的迷宫呢？

发现：论文发现，迷宫难不难，跟里面有多少障碍物（比如冰湖）关系不大，主要看路有多长。
瓶颈：AI 就像是一个记性只有 12 步的探险家。如果迷宫的路线超过 12 步，它就走不完了。
作弊行为：当路线太长，AI 发现“哎呀，我记不住这么远的路”时，它为了完成任务，开始作弊。
- 比如：它直接把“礼物”瞬移到了精灵旁边，或者在终点旁边凭空变出另一个精灵去拿礼物。
- 比喻：这就像你让一个只能背 10 个单词的人背一首长诗，他背不下来，于是干脆把诗的最后几个字改了，或者自己编个结尾，假装背完了。

3. 解决方案：ChEaP（早做计划 + 接力赛）

既然知道了 AI 的这两个特点（早期定路线、记性短），作者们就发明了一个叫 ChEaP 的新方法（名字很有趣，意思是“用早期计划来省钱”）。这个方法包含两个大招：

大招一：早做计划，快速筛选 (Early Planning Beam Search)

传统做法：让 AI 画 10 张图，每张都从头画到尾，最后挑一张好的。这太浪费算力了，因为很多图在开头就定错了路线，后面画得再漂亮也是废的。
ChEaP 做法：
1. 让 AI 快速画 10 张图的开头几笔（只画前 5 步）。
2. 这时候路线已经定好了。我们马上检查：“哎，这张图路线好像不对，直接扔掉！”
3. 只把那些开头路线看起来靠谱的图，继续画完剩下的部分。
效果：就像招聘面试，不再让所有候选人做全套试卷，而是先做个简单的“性格测试”，只让通过的人参加后面的“深度面试”。这样既省时间，又提高了成功率。

大招二：接力赛 (Chaining)

问题：如果迷宫特别长（超过 12 步），AI 一次画不完怎么办？
ChEaP 做法：把长任务拆成短任务。
1. 让 AI 先画前 10 步，走到一个安全的地方。
2. 把这一帧画面作为新的起点，让 AI 接着画下一段。
3. 像接力赛一样，一段一段地拼起来，直到终点。
效果：这解决了 AI“记性短”的问题。原本只能走 12 步的 AI，通过接力，现在能走几十步甚至上百步。

4. 最终成果：从“瞎蒙”到“高手”

用了这套方法后，AI 在解决复杂迷宫问题上的表现发生了质的飞跃：

以前：在长迷宫里，AI 的成功率只有 7%（几乎全靠运气）。
现在：成功率提升到了 67%。
效率：不仅更准了，还省了 3 倍多 的计算资源（因为不再浪费时间去画那些一开始就定错路线的废图）。

总结

这篇论文告诉我们：

现在的视频 AI 其实很聪明，它们早就有了“规划”的能力，只是我们以前没发现。
不要盲目地让 AI 重复劳动，要在它“刚动笔”的时候就去检查方向对不对。
遇到长任务要懂得“拆解”，像接力赛一样一段段完成，而不是指望它一口气跑完全程。

这就好比教一个学生解题：不要让他死磕到底，要教他先列提纲（早期计划），先做对的部分，再检查（筛选），长题分步做（接力）。这样，哪怕是现在的 AI，也能变成解题高手。

这是一篇关于视频生成模型推理能力的深度研究论文，标题为 《Video Models Reason Early: Exploiting Plan Commitment for Maze Solving》（视频模型早期推理：利用计划承诺解决迷宫问题）。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

现象： 视频扩散模型（Video Diffusion Models）展现出了令人惊讶的涌现推理能力，例如解决迷宫和拼图。然而，学界尚不清楚这些模型在生成过程中是如何进行推理的。
挑战： 现有的视频模型在长程推理任务（Long-horizon reasoning）上表现不佳，且缺乏对模型内部规划动态（Internal planning dynamics）的理解。传统的“最佳 N 采样”（Best-of-N，即生成多个完整视频并选择最好的）在计算资源利用上效率低下，因为它对每一个种子（seed）都进行了完整的去噪过程，即使大部分种子在早期就已经注定失败。
核心问题：
1. 模型在去噪过程的哪个阶段决定其推理答案（路径规划）？
2. 去噪早期是否存在预测成功的信号？
3. 导致模型失败的结构化原因是什么？

2. 方法论 (Methodology)

作者将迷宫求解作为受控测试平台，因为迷宫具有明确的起点、终点、障碍物和可验证的解（通过 BFS 算法）。

2.1 核心发现：早期计划承诺 (Early Plan Commitment)

通过对中间去噪步骤（Intermediate denoising steps）生成的 $\hat{x}_0$ 预测进行分析，作者发现了一个关键现象：

早期承诺： 视频扩散模型在去噪的前几个步骤（例如前 5 步，占总步数的 10-15%）内就会锁定高层运动计划（轨迹）。
后期细化： 随后的去噪步骤主要是在细化视觉细节（如纹理、清晰度），而极少改变底层的运动轨迹。
验证： 通过计算中间轨迹与最终轨迹的“运动能量图”的余弦相似度，发现步数 5 时的轨迹收敛度已达到 93% 以上。

2.2 提出的方法：ChEaP (Chaining with Early Planning)

基于上述发现，作者提出了一种新的推理时扩展策略 ChEaP，包含两个核心组件：

早期规划束搜索 (Early Planning Beam Search, EPBS)：
- 原理： 既然计划早期就确定了，就不需要为所有种子生成完整视频。
- 流程：
  1. 采样大量种子（N 个）。
  2. 仅对它们进行部分去噪（例如前 $\tau=5$ 步）。
  3. 解码中间 $\hat{x}_0$ 预测，使用轻量级验证器（Verifier）评估轨迹（检查是否接近目标、是否进入障碍物）。
  4. 仅对得分最高的 K 个种子进行完整去噪。
- 优势： 在相同的计算预算下，可以探索更多的候选路径，而不是浪费资源去细化注定失败的路径。
链式生成 (Chaining)：
- 原理： 研究发现视频模型存在“生成视界”（Generation Horizon）限制，通常只能可靠地规划 10-12 步的轨迹。对于更长的迷宫，单步生成无法完成。
- 流程： 将长程任务分解为多个短程子任务。将上一段生成的最后一帧作为下一段的条件输入（Conditioning），从而扩展有效规划视界。

3. 关键贡献 (Key Contributions)

揭示了视频模型的推理机制： 首次证明视频扩散模型在去噪早期（前几个步骤）即完成了高层路径规划，后续步骤仅用于视觉增强。这挑战了认为推理是贯穿整个生成过程的观点。
识别了难度瓶颈： 迷宫的难度主要由路径长度（Path Length）决定，而非障碍物密度。模型在路径长度超过 12 步时会出现急剧的性能下降（Failure Cliff）。
提出了高效的推理策略 (ChEaP)： 结合早期筛选（EPBS）和链式生成（Chaining），显著提升了长程推理任务的准确率。
失败模式分析： 发现模型在面临视界限制时，倾向于“作弊”（如移动目标位置或生成新角色）来完成任务，而不是遵守环境约束。

4. 实验结果 (Results)

实验在 Frozen Lake 和 VR-Bench 数据集上进行，测试了 Wan2.2-14B 和 HunyuanVideo-1.5 两个模型。

效率提升：
- 在 Wan2.2-14B 上，ChEaP 在 0.3 倍 的扩散步数（NFEs）下，达到了与标准 Best-of-N 相同的准确率。
- 在困难任务上，准确率提升了 2.5 倍。
长程推理突破：
- 对于长程迷宫（路径长度>10），标准 Best-of-N 的准确率仅为 7%。
- 使用 ChEaP 后，准确率提升至 67%。
验证器可靠性： 早期验证器在困难迷宫（成功率极低）中，其 Top-2 选择的成功率是随机选择的 5.5 倍。
失败模式分析：
- Wan2.2： 在小迷宫中主要是“视界限制”（无法走完），在大迷宫中转变为“约束违反”（如穿过湖泊）。
- HunyuanVideo (Step-Distilled)： 在所有尺寸下都主要表现为“约束违反”，表明步蒸馏（Step Distillation）可能损害了模型对结构约束的遵循能力。

5. 意义与结论 (Significance)

重新评估视频模型能力： 现有的评估方法可能低估了视频模型的推理能力。模型具备深层的规划能力，但受限于生成视界和推理时的计算分配策略。
推理时扩展的新范式： 论文证明了在推理阶段（Test-time），通过**“探索更多候选者”（利用早期承诺特性）比“细化单个候选者”**更有效。
通用性潜力： 虽然研究基于迷宫，但“早期计划承诺”和“视界限制”的原则可能适用于更广泛的视频生成和空间推理任务。
未来方向： 提示了通过改进推理时的计算分配（如更好的链式策略、更长的上下文窗口）来释放模型潜力的重要性，而非仅仅依赖模型训练。

总结： 该论文通过深入分析视频扩散模型的内部动态，发现其规划行为具有“早期锁定”特性。基于此，作者提出了一种名为 ChEaP 的高效推理框架，通过早期筛选和链式生成，将视频模型在长程迷宫任务上的成功率从 7% 大幅提升至 67%，揭示了当前视频模型具备比预期更强的推理潜力，关键在于如何更有效地提取和利用这些能力。