El equipo de Tencent Hunyuan ha presentado MovieRoll, un marco para vídeo generativo en streaming de larga duración que combina entrenamiento base, destilación y mecanismos para alargar la inferencia sin que la memoria se dispare. Según el artículo, la propuesta parte de un sistema base a destilado y añade una compresión jerárquica de la caché KV que puede recortar hasta un 78 % el uso de memoria, además de técnicas para mantener la estabilidad cuando la generación supera el horizonte de entrenamiento. MovieRoll: A Systematic Framework for Rolling Out Long-Form Videos.

Un marco pensado para vídeos más largos
La novedad de MovieRoll no es solo generar clips, sino plantear un sistema completo para producir vídeo largo en streaming. El trabajo describe una ruta de base a destilado que primero construye un modelo multi-paso robusto con Window-wise Teacher Forcing y después lo comprime para su uso en rollouts largos. La idea importa porque, en este tipo de modelos, prolongar la secuencia suele encarecer mucho la memoria y complicar la coherencia visual con el paso del tiempo.
Para sostener esa generación larga, el paper introduce HieraKV, una compresión jerárquica de la caché KV que conserva el historial completo en las capas superficiales y solo parte del contexto reciente en las profundas. Los autores afirman que esta estrategia reduce hasta un 78 % la memoria de caché y, a la vez, mejora la calidad de la generación. En un ejemplo práctico, el sistema se presenta con muestras como un panda tocando la guitarra, una jirafa de socorrista o una escena de pesca de estrellas, que ilustran los escenarios que el equipo usó en su galería de demostraciones. Galería de demostraciones del equipo · MovieRoll: A Systematic Framework for Rolling Out Long-Form Videos.

Qué cambia para el usuario y dónde están los límites
La segunda pieza del sistema es CuLT-DMD, una destilación pensada para entrenar un generador de pocos pasos a partir de autorrollouts largos. El artículo explica que mantiene los parámetros fijos durante cada recorrido largo y acumula gradientes locales antes de actualizar, una forma de hacer más manejable el entrenamiento cuando el horizonte crece. Además, para ir más allá de la ventana de entrenamiento, el trabajo recurre a recomputación de KV y a AnnealCFG, un ajuste de la guía que baja hacia el tramo final para estabilizar MovieRoll-Base.
En los resultados reportados, MovieRoll-Distilled obtiene la mejor puntuación total entre los métodos comparados en evaluaciones de uno y varios eventos hasta 60 segundos. Eso no significa que resuelva por completo el vídeo largo, pero sí que el trabajo aporta una combinación concreta de eficiencia y estabilidad que puede interesar a quienes desarrollan modelos de vídeo, herramientas creativas o inferencia de larga duración. La utilidad práctica dependerá de si estas ventajas se mantienen fuera de la demo y del coste real de integrarlo en otros sistemas.
Imagen de portada · Yunyang Ge y su equipo.
