自回归视频扩散按块往后续写，接得住不等于把场景演化学明白了。这篇工作指出，教师强制下时间冗余很强，当前块去噪可以靠局部视觉连续性走捷径，模型不必真正建模视觉如何随时间变化。作者提出 Future Chunk Prediction（FCP）：与教师强制去噪联合优化的辅助目标，预测时间上隔开的未来块，且看不到中间视觉上下文。监督直接来自训练视频，不需要额外预训练视觉编码器，自回归推理保持不变。材料称，相对标准教师强制自回归训练，物理合理性更好、整体训练算力预算更低；可视化还暗示表示空间更有结构，可能有助于自回归世界模型。
教师强制为何会走捷径
教师强制用真实历史条件当前块，训练稳定，但视频相邻内容高度冗余。摘要判断：局部视觉连续性已足够给当前块去噪当捷径，从而减轻必须抓住场景演化的压力。看起来合理的续写，和真正建模视觉如何演变，不是同一件事。FCP 针对这一点，把预测目标放到时间上隔开的块，并切断中间视觉上下文，让模型无法依赖刚看过的相邻画面。
FCP 改了什么、没改什么
FCP 是辅助目标，不是替换生成器，与教师强制去噪联合优化。监督从训练视频抽取，因此不引入额外预训练视觉编码器；推理侧保持自回归流程不变，部署不增加模块。材料强调用更低整体训练算力预算，换来优于标准教师强制训练的物理合理性。块间隔、损失权重、骨干和评测协议摘要均未给出，只能把它理解成一条显式远期监督，而不是新的采样算法。
我的判断
价值首先在问题拆分：把续写像样和演化建模分开，再用一条不改推理、不加编码器的辅助损失去压捷径。若结论成立，对自回归视频扩散、以及想把同一套骨干做成世界模型的方向，都是低侵入的训练信号。适用边界应写窄：材料只声称相对标准教师强制更好、算力预算更低，未给出数据域、分辨率、时长或基准名；表示更有结构来自可视化暗示，不能当成已验证的世界模型能力。摘要没有实验数字，评价只能保守，值得对照全文核对物理评测是否站得住。