対話型動画生成におけるSpeculative Sampling

Speculative Samplingは、自己回帰型動画生成を対話的に動かすための学習不要な手法である。双方向注意ウィンドウのMiniMax H3に適用すると、Self-Forcing型の自己回帰後学習を行わずに対話化でき、新しいユーザー入力から最初の応答フレームが表示されるまでのエンドツーエンド遅延は約1.4秒になる。モデルは一度に5秒分の動画を同時にサンプリングする。