MMPL: Macro-from-Micro Planning for High-Quality and Parallelized Autoregressive Long Video Generation

概述：MMPL 是在 Wan2.1-14B-T2V 基座上，使用 50k 私有高质量视频数据 进行微调得到的“规划式（Planning）”文本到视频生成模型。我们不修改任何原始架构，仅通过高质量规划式指令与监督，显著提升主体/背景一致性、运动平滑与文本-视觉对齐的人评表现。

🔍 模型介绍

• 基座模型：Wan2.1-14B-T2V
• 微调数据：50k 条私有高质量视频-文本指令样本
• 训练目标：在保持原架构不变的前提下，提升主体一致性、背景一致性、运动平滑与人评可控性

🏗️ 模型架构

MMPL 完全沿用 Wan2.1-14B-T2V 的原始网络结构与推理范式：

• 整体结构：与 Wan2.1 一致（Decoder-only/扩散式堆叠）
• 注意力/激活/归一化/位置编码：与基座一致（兼容 FlashAttention2 等加速）
• 时空分辨率与采样调度：与基座配置一致
• 不改动任何子模块（头数、通道数、FFN 维度、位置编码等），仅在参数上微调。

📊 评测结果

下表为 MMPL 与常见方法的对比。粗体表示该列最优。

VBench Evaluation & Human Evaluation

模型	Subject Consistency	Background Consistency	Motion Smoothness	Aesthetic Quality	Imaging Quality	Text-Visual Alignment	Content Consistency	Color Shift
Causal
FIFO (Kim et al., 2024)	0.956	0.960	0.949	0.588	0.603	–	–	–
Distilled Causal
CausVid (Yin et al., 2025)	0.969	0.980	0.981	0.606	0.661	34.7	33.0	25.0
SF (Huang et al., 2025a)	0.967	0.958	0.980	0.593	0.689	52.0	46.1	50.5
DF Causal
SkyReels (Chen et al., 2025)	0.956	0.966	0.991	0.600	0.581	47.9	51.4	51.3
MAGI-1 (Teng et al., 2025)	0.979	0.970	0.991	0.604	0.612	34.7	40.4	39.5
Planning
MMPL (ours)	0.980	0.968	0.992	0.628	0.661	80.0	79.2	83.1