MovieRoll es un marco de trabajo técnico diseñado para resolver los desafíos de la generación de video en streaming, específicamente la necesidad de mantener la calidad visual más allá del horizonte de entrenamiento y gestionar los costes de memoria asociados con el historial auto-generado. El sistema se estructura en tres componentes principales: un ajuste fino de streaming, una destilación de despliegue a largo plazo y una inferencia de horizonte largo.
El núcleo del sistema, MovieRoll-Base, utiliza una técnica de Forzaje del Profesor por Ventanas (WinTF) para denoising progresivo. Para optimizar el uso de memoria, MovieRoll implementa una compresión jerárquica de la caché KV (HieraKV), que retiene el historial completo en capas superficiales y solo el historial reciente en capas profundas, reduciendo la memoria de caché hasta en un 78% sin perder calidad. La variante destilada, MovieRoll-Distilled, emplea un ajuste fino acumulativo con destilación de coincidencia de distribución (CuLT-DMD), lo que permite mantener parámetros fijos durante cada despliegue largo y promediar gradientes locales, facilitando el entrenamiento eficiente de generadores de pocos pasos.
Para extender la generación más allá del horizonte de entrenamiento, el sistema utiliza límites de recomputación KV y un annealing de guía (AnnealCFG) para estabilizar la salida. En pruebas con HeliosBench, MovieRoll-Base mantiene un rendimiento competitivo a los 30 segundos tras entrenarse con videos de hasta 15 segundos, mientras que MovieRoll-Distilled obtiene las puntuaciones totales más altas en evaluaciones de un solo o múltiples eventos hasta los 60 segundos, combinando naturalidad sostenida con movimiento activo.
