1. 论文基本信息 (Bibliographic Information)

• 标题 (Title): One-Minute Video Generation with Test-Time Training (使用测试时训练生成一分钟视频)
• 作者 (Authors): Karan Dalal, Daniel Koceja, Jiarui Xu, Yue Zhao, Shihao Han, Ka Chun Cheung, Jan Kautz, Yejin Choi, Yu Sun, Xiaolong Wang.
• 隶属机构 (Affiliations): NVIDIA, Stanford University, UC San Diego (UCSD), UC Berkeley, UT Austin.
• 发表期刊/会议 (Journal/Conference): CVPR 2025. CVPR (Computer Vision and Pattern Recognition) 是计算机视觉领域公认的顶级国际会议之一，具有极高的声誉和影响力。
• 发表年份 (Publication Year): 2025 (根据论文内容推断).
• 摘要 (Abstract): 如今的 Transformer 模型难以生成长达一分钟的视频，因为其核心组件 self-attention (自注意力) 层在处理长上下文时效率低下。作为替代方案的 Mamba 层虽然高效，但其隐藏状态较小且表达能力不足，难以生成连贯的场景。本文探索了 Test-Time Training (TTT) (测试时训练) 层，其隐藏状态本身可以是神经网络，因此更大、表达能力更强。通过将 TTT 层添加到一个预训练的 Transformer 模型中，使其能够从文本故事板生成一分钟的视频。研究团队基于《猫和老鼠》(Tom and Jerry) 卡通片创建了一个数据集作为概念验证的基准。与 Mamba 2、Gated DeltaNet 和 sliding-window attention (滑动窗口注意力) 等基线相比，TTT 层生成的视频连贯性要好得多，能够讲述完整的故事，在每种方法100个视频的人工评估中，领先了34个 Elo 点。尽管结果充满希望，但论文也指出其在物理真实感方面仍有局限，且实现的效率有待进一步提高。
• 原文链接 (Source Link): https://openaccess.thecvf.com/content/CVPR2025/papers/Dalal_One-Minute_Video_Generation_with_Test-Time_Training_CVPR_2025_paper.pdf

  • 发布状态: 这是由计算机视觉基金会 (Computer Vision Foundation) 提供的 CVPR 会议论文的开放获取版本。

    ---

2. 整体概括 (Executive Summary)

• 研究背景与动机 (Background & Motivation - Why):

  • 核心问题: 当前顶级的视频生成模型（如 Sora, Veo 2）虽然在视觉真实感上取得了巨大进步，但生成的视频长度通常被限制在几十秒以内。生成长达一分钟或更长的视频仍然是一个重大挑战。
  • 挑战与空白 (Gap): 挑战的核心在于 Transformer 架构。其 self-attention 机制的计算和内存成本随上下文长度（即视频时长）呈二次方增长 ($O(N^2)$)，这使得处理长视频（如一分钟视频对应的超过30万个 token）变得极其昂贵和低效。虽然研究者们探索了如 Mamba 等线性复杂度的循环神经网络 (RNN) 变体，但这些模型为了效率牺牲了表达能力，它们的隐藏状态通常是一个较小的矩阵，难以压缩和记忆长序列中的复杂依赖关系，导致生成的长视频缺乏场景连贯性。
  • 创新思路: 本文的切入点是提出一种 “既要效率，也要表达能力” 的解决方案。作者假设，如果 RNN 的隐藏状态本身是一个更强大的模型（而不仅仅是一个矩阵），那么它就能更好地记忆长距离信息。因此，他们引入了 Test-Time Training (TTT) 层，这是一种特殊的 RNN，其隐藏状态是一个小型神经网络（如 MLP），在处理序列的每一步都会通过类似“训练”的方式进行更新。这种 更大、更具表达力的隐藏状态 有望在保持线性复杂度的同时，解决长视频生成中的连贯性问题。

• 核心贡献/主要发现 (Main Contribution/Findings - What):

  1. 方法创新: 首次成功地将 TTT 层应用于长视频生成任务。论文提出了一套完整的实用方法，包括如何将 TTT 层整合进一个预训练的 Diffusion Transformer 模型 (CogVideo-X)，并通过多阶段微调将其生成能力从3秒扩展到一分钟。

  2. 性能验证: 实验证明，TTT 层在生成一分钟长视频方面显著优于其他高效模型（如 Mamba 2 和 Gated DeltaNet）。在人工评估中，TTT 生成的视频在场景一致性、动作平滑度和美学质量上获得了压倒性优势，平均 Elo 分数领先基线34分，证明了其在维持长程连贯性上的强大能力。

  3. 新数据集: 构建并发布了一个基于《猫和老鼠》动画的文本-视频数据集。该数据集专注于复杂的、多场景的、长距离的叙事和动态运动，为未来长视频生成研究提供了一个有价值的基准。

  4. 高效实现: 提出了一种针对 TTT-MLP 的高效 GPU 内核实现，利用片上张量并行 (On-Chip Tensor Parallel) 技术，优化了内存使用，显著提高了计算效率。

     ---

3. 预备知识与相关工作 (Prerequisite Knowledge & Related Work)

• 基础概念 (Foundational Concepts):

  • Transformer: 一种基于 self-attention 机制的深度学习模型，在自然语言处理和计算机视觉领域取得了巨大成功。它的核心优势是能并行处理序列中的所有元素，并捕捉它们之间的长距离依赖关系。但其主要缺点是计算复杂度为 $O(N^2)$，其中 $N$ 是序列长度，不适合处理极长的序列。

  • RNN (Recurrent Neural Network): 循环神经网络，一种为处理序列数据而设计的模型。它通过一个循环更新的 hidden state (隐藏状态) 来按顺序处理序列，理论上可以处理任意长度的序列，且计算复杂度为线性 ($O(N)$)。然而，传统 RNN 存在梯度消失/爆炸问题，难以捕捉长距离依赖。

  • Mamba / 状态空间模型 (State Space Models, SSMs): Mamba 是一类现代 RNN 的代表，属于状态空间模型。它通过“选择性”机制来决定保留或遗忘哪些信息，解决了传统 RNN 的部分问题，并在长序列建模上表现出色，同时保持了线性计算复杂度。然而，本文认为其隐藏状态（一个矩阵）的容量和表达能力有限，是其生成连贯长视频的瓶颈。

  • Diffusion Models (扩散模型): 一类强大的生成模型。其基本思想分为两步：1) 前向过程：向真实数据（如图像或视频）中逐步添加噪声，直到其完全变成随机噪声；2) 反向过程：训练一个神经网络来学习逆转这个过程，即从噪声中逐步去除噪声，最终生成新的数据。Diffusion Transformer (DiT) [32] 是指使用 Transformer 作为这个去噪网络的主干架构。

  • Test-Time Training (TTT) 层: 本文的核心技术。它是一种特殊的 RNN 层，其隐藏状态不再是一个简单的向量或矩阵，而是一个完整的神经网络模型 (例如，一个多层感知机 MLP)。在处理输入序列时，TTT 层会使用一种自监督学习任务（如从损坏的输入中重建原始输入）来“训练”这个作为隐藏状态的神经网络。因此，每处理一个新 token，隐藏状态（即神经网络的权重）都会通过一步梯度下降进行更新。这个过程即使在“测试”阶段也会发生，故名 Test-Time Training。其直觉是，一个模型的权重比一个矩阵能压缩和表达更丰富的信息。

    该图像是一个示意图，展示了Test-Time Training层中的隐藏状态更新流程及输出规则，包含公式 $W_t = W_{t-1} - \eta \nabla \ell(W_{t-1}; x_t)$ 和 $z_t = f(x_t; W_t)$，用于说明隐藏状态随输入令牌迭代更新的机制。

    上图（原文图2）直观展示了 TTT 层的核心思想：隐藏状态本身就是一个带有权重 $W$ 的模型 $f$。因此，在测试序列上更新隐藏状态就等同于在测试时训练模型 $f$。

• 前人工作 (Previous Works):

  • 高效 Transformer 变体: 许多工作尝试解决 Transformer 的二次方复杂度问题，如 sliding-window attention (滑动窗口注意力) [3] 只在局部窗口内计算注意力，但限制了全局信息的交互。
  • 现代 RNN/SSM: Mamba [12], DeltaNet [52] 等模型通过改进 RNN 架构实现了与 Transformer 相媲美的性能，且具有线性复杂度，在自然语言任务上非常成功。然而，本文指出这些模型在生成具有复杂动态和叙事的长视频方面尚未取得突破。
  • 长视频生成: 此前的方法主要通过级联 (cascade) [15, 50]、流式 (streaming) [17] 或添加转场 (transitions) [5] 等方式扩展短视频。例如，TATS [10] 使用滑动窗口注意力来生成比训练时更长的视频。这些方法通常不是端到端地处理整个长序列，难以保证全局一致性。
  • 故事合成 (Story Synthesis): StoryGAN [26], StoryDiffusion [56] 等方法致力于将文本故事转换成一系列连贯的图像或视频片段。但它们通常需要额外的流程来维持场景间的一致性，并非一个端到端的单一模型。

• 技术演进 (Technological Evolution): 视频生成技术从最初的生成短片（几秒），发展到追求视觉和物理真实感（如 Sora），再到当前面临的生成具有连贯叙事的长视频（一分钟以上）的瓶颈。技术路线也从 GAN 演进到 Diffusion 模型。在架构层面，研究重心正从“如何让 Transformer 更强大”转向“如何找到兼具 Transformer 表达能力和 RNN 效率的架构”。本文的 TTT 层正是这一探索方向上的一个新颖尝试。

• 差异化分析 (Differentiation): 与 Mamba、DeltaNet 等同样追求线性复杂度的模型相比，本文方法的核心差异在于隐藏状态的复杂度和表达能力。

  • Mamba/DeltaNet：隐藏状态是一个固定大小的矩阵。信息压缩能力受限于矩阵的秩。

  • TTT (本文方法)：隐藏状态是一个神经网络（本文中为两层 MLP）。其容量和表达能力远超一个矩阵，能够通过非线性变换和更大的参数空间来记忆和建模更复杂的长程依赖关系。

    ---

4. 方法论 (Methodology - Core Technology & Implementation Details)

本部分详细拆解了论文的技术方案，其核心是将 TTT 层无缝集成到一个预训练的视频扩散模型中。

• 方法原理 (Methodology Principles): 核心思想是利用 TTT 层强大的长程记忆能力来弥补 self-attention 在长序列上的效率短板。具体而言，模型在一个混合架构中运行：

  1. 局部 (Local): self-attention 层负责处理短程依赖。它只在视频的短片段（3秒）内部进行计算，从而将计算成本控制在可接受范围内。
  2. 全局 (Global): TTT 层负责处理长程依赖。它贯穿整个一分钟视频的所有 token，以线性的计算成本捕捉和传递跨场景的全局信息，确保角色、背景和故事的连贯性。

• 方法步骤与流程 (Steps & Procedures):

  1. 基础架构: 从一个预训练的 Diffusion Transformer 模型 CogVideo-X 5B [19] 出发，该模型最初只能生成3秒视频。

  2. TTT-MLP 层的设计:

     • 内部模型 $f$: TTT 层内部的隐藏状态模型 $f$ 被实例化为一个两层的 MLP，其隐藏维度是输入维度的4倍，并使用 GELU 激活函数。为了训练稳定，还加入了层归一化 (Layer Norm) 和残差连接。这被称为 TTT-MLP。
     • 自监督任务: TTT 层的更新依赖于一个自监督任务。具体来说，输入 token $x_t$ 首先通过一个可学习的投影矩阵 $\theta_K$ 压缩成 $\theta_K x_t$，然后输入到内部模型 $f$ 中，任务目标是重建另一个投影 $\theta_V x_t$。输出则由另一个投影 $\theta_Q x_t$ 经过 $f$ 计算得到。这里的 $\theta_K, \theta_V, \theta_Q$ 类似于 self-attention 中的 Key, Value, Query 投影，它们在模型的外层循环中被学习。

  3. 架构修改与集成:

     • 插入 TTT 层: 在 Transformer 的每个标准块中，在原有的 self-attention 层之后，串联地插入了两个 TTT 层。

     • 门控机制 (Gating): 为了平滑地集成新加入的、随机初始化的 TTT 层，避免破坏预训练模型的性能，作者使用了一个门控机制。TTT 层的输出会与一个可学习的向量 $\alpha$ 相乘后，再与原始输入相加。$\alpha$ 初始化为接近0的值，使得在微调初期 TTT 层的影响很小，之后再慢慢增强。

     • 双向处理 (Bi-direction): 扩散模型是非因果的，即预测当前 token 时需要看到所有 token。但 TTT 本质上是因果的（从前到后处理）。为了适应这一点，作者采用了标准技巧：先用一个 TTT 层从前到后处理序列，再用同一个 TTT 层的参数从后到前处理序列，从而让每个位置的输出都融合了双向的上下文信息。

       该图像是论文中展示的TTT层架构示意图，展示了TTT层内部的Local Attention模块及其如何串联生成最长1分钟视频的多个3秒视频段落。

     上图（原文图3）左侧展示了修改后的 Transformer 块结构：输入 $X$ 经过 self-attention 后，依次通过前向 TTT 和后向 TTT'，并都由门控机制 (gate) 控制，最后与原始输入 $X$ 形成残差连接。右侧则展示了整体流程：长视频被切分成多个3秒片段，self-attention 在片段内局部应用，而 TTT 层则在所有片段拼接成的完整序列上全局应用。

  4. 高效实现:

     • 并行化: TTT 层的顺序更新是串行的，效率低。作者通过小批量处理（一次更新 $b$ 个 token 的梯度）实现了并行化，提高了训练速度。

     • 片上张量并行 (On-Chip Tensor Parallel): TTT-MLP 的隐藏状态（即 MLP 的权重 $W$）太大，无法放入单个 GPU 计算单元 (SM) 的高速片上缓存 (SMEM)。作者创新地将用于多 GPU 训练的 Tensor Parallelism 技术应用到了单 GPU 的多个 SM 之间，将 $W$ 分片存储在不同 SM 的 SMEM 中，通过 DSMEM 功能进行通信。这使得大部分计算都能在高速缓存中完成，极大减少了对慢速全局内存 (HBM) 的访问，提升了效率。

       该图像是论文中用于展示分布式Test-Time Training（TTT）层训练流程的示意图，左侧展示了权重初始化和分片到不同计算单元，右侧展示了训练时梯度同步的步骤和信息交换。

     上图（原文图4）形象地展示了 On-Chip Tensor Parallelism 的思想。TTT-MLP 的权重（隐藏状态）$W^{(1)}$ 和 $W^{(2)}$ 被分片到不同的 SM 上，计算过程中 SM 之间直接通信，只在初始加载和最终输出时与 HBM 交互。

• 数学公式与关键细节 (Mathematical Formulas & Key Details):

  • TTT 隐藏状态更新 (Update Rule): $$W_t = W_{t-1} - \eta \nabla \ell(W_{t-1}; x_t)$$ 符号解释:

    • $W_t$: 在处理第 $t$ 个 token 后的隐藏状态（即内部模型的权重）。
    • $W_{t-1}$: 处理前一个 token 时的隐藏状态。
    • $\eta$: 内部循环的学习率。
    • $\ell(W_{t-1}; x_t)$: 在当前输入 $x_t$ 上计算的自监督损失函数。
    • $\nabla \ell$: 对损失函数关于权重 $W_{t-1}$ 的梯度。

  • 可学习的自监督损失 (Learnable Self-supervised Loss): $$\ell(W; x_t) = \| f(\theta_K x_t; W) - \theta_V x_t \|^2$$ 符号解释:

    • $f(\cdot; W)$: 以 $W$ 为权重的内部神经网络模型。
    • $\theta_K, \theta_V$: 可学习的投影矩阵，分别用于生成内部模型的输入（类似 Key）和重建目标（类似 Value）。

  • TTT 输出规则 (Output Rule): $z_t = f(\theta_Q x_t; W_t)$ 符号解释:

    • $z_t$: TTT 层对第 $t$ 个 token 的输出。
    • $\theta_Q$: 可学习的投影矩阵，用于生成最终输出的查询（类似 Query）。

  • 门控机制 (Gating Mechanism): $$\mathtt{gate}(\mathsf{TTT}, X; \alpha) = \operatorname{tanh}(\alpha) \otimes \mathsf{TTT}(X) + X$$ 符号解释:

    • $\mathsf{TTT}(X)$: TTT 层对整个序列 $X$ 的输出。

    • $\alpha$: 一个可学习的向量参数。

    • $\operatorname{tanh}(\alpha)$: 对 $\alpha$ 逐元素应用 tanh 函数，将其值限制在 $(-1, 1)$ 之间，作为门控信号。

    • $\otimes$: 逐元素相乘。

      ---

5. 实验设置 (Experimental Setup)

• 数据集 (Datasets):

  • 来源: 实验使用了一个自建的数据集，基于1940-1948年发布的81集《猫和老鼠》(Tom and Jerry) 动画，总时长约7小时。
  • 处理: 原始视频首先通过视频超分辨率模型 [49] 提升画质至 $720 \times 480$ 分辨率。然后，由人类标注员将每集动画分解为场景 (scenes)，再从每个场景中提取3秒的视频片段 (segments)。最后，为每个3秒片段撰写详细的描述段落（即 Format 3 的故事板）。
  • 训练方式: 采用多阶段上下文扩展策略。首先在3秒片段上进行微调以适应卡通领域，然后逐步在拼接成的9秒、18秒、30秒和63秒的长视频上进行微调。

• 评估指标 (Evaluation Metrics): 由于视频生成的质量（尤其是故事性、连贯性）难以用自动化指标衡量，论文采用了人工评估，并使用 Elo 评级系统来量化结果。

  • Elo 评级系统 (Elo Rating System):
    1. 概念定义 (Conceptual Definition): Elo 是一种衡量在成对比较（pairwise comparison）中相对表现的评分系统，最初用于国际象棋。在本次评估中，人类评估员会看到由两个不同模型生成的视频，并根据特定标准（如“哪个视频场景更连贯？”）选择更好的一个。Elo 分数可以从这些成对的胜负关系中计算出来，分数越高的模型意味着它在人工偏好测试中获胜的概率越大。这个分数反映了模型的相对优劣，分差越大，代表性能差距越显著。
    2. 数学公式 (Mathematical Formula): 论文采用了 LMSys Chatbot Arena [6] 的方法，该方法基于 Bradley-Terry 模型。该模型假设模型 A 战胜模型 B 的概率 $P(A > B)$ 可以通过它们的潜在“实力”分数（即 Elo 分数）$\mu_A$ 和 $\mu_B$ 来建模： $$P(A > B) = \frac{e^{\mu_A}}{e^{\mu_A} + e^{\mu_B}}$$ 然后通过最大似然估计（通常使用逻辑回归）来从所有成对比较结果中拟合出每个模型的 $\mu$ 值。
    3. 符号解释 (Symbol Explanation):
       • $\mu_A, \mu_B$: 分别代表模型 A 和模型 B 的潜在实力评分（或 Elo 分数）。这是一个标量，数值越高代表实力越强。

• 对比基线 (Baselines): 论文选择了几个具有代表性的、同样具有线性计算复杂度的模型作为对比基线，并将它们用同样的方式集成到 CogVideo-X 中进行公平比较。

  1. Local attention: 不做任何修改的原始模型，仅在3秒片段内独立进行自注意力计算，无法捕捉片段间的联系。

  2. TTT-Linear [43]: TTT 层的一种简化版，其内部模型 $f$ 是一个简单的线性模型，而非 MLP。用于验证非线性在隐藏状态中的重要性。

  3. Mamba 2 [8]: 一种先进的 SSM 模型，是高效长序列建模的代表。

  4. Gated DeltaNet [53]: Mamba 2 的一种改进版本，具有更优的更新规则。

  5. Sliding-window attention [3]: 一种经典的 Transformer 效率优化方法，注意力计算只在一个固定大小的滑动窗口内进行。

     ---

6. 实验结果与分析

• 核心结果分析 (Core Results Analysis): 实验结果有力地支持了论文的核心假设：更大、更具表达力的隐藏状态能够显著提升长视频生成的连贯性。

  • 转录的表格 1: 人工评估结果 (Elo 分数)

    方法 (Method)	文本对齐 (Text Alignment)	动作平滑度 (Motion Smoothness)	美学质量 (Aesthetics)	场景一致性 (Scene Consistency)	平均 (Average)
    Mamba 2	985	976	963	988	978
    Gated DeltaNet	983	984	993	1004	991
    Sliding Window	1016	1000	1006	975	999
    TTT-MLP	1014	1039	1037	1042	1033

  • 分析:

    1. 总体优势: TTT-MLP 的平均 Elo 分数 (1033) 显著高于所有基线，领先第二名 (Sliding Window) 34分。论文引用了 LMSys 的数据作为参考（GPT-4 领先 GPT-3.5 46分），说明这一差距在实践中是非常显著的。
    2. 关键优势维度: TTT-MLP 最大的优势体现在 Scene Consistency (场景一致性, +38分) 和 Motion Smoothness (动作平滑度, +39分) 上。这直接印证了论文的假设，即 TTT 的表达力强的隐藏状态能够更好地记忆和维持跨越多个场景（甚至有时间跳跃）的角色外观、背景环境等关键信息，从而生成更连贯的故事。
    3. 定性分析: 论文中的图片（图6-9）直观展示了这种差异。例如，TTT-MLP 生成的视频（图6、图8）中，汤姆猫的外观和厨房背景在多个场景转换中保持了一致。而对比方法（图7、图9）则可能出现背景细节丢失、角色身体在运动中扭曲等问题，尤其是在视频的后半段，这表明它们的记忆能力随着序列变长而衰退。
    4. 文本对齐: 所有方法在 Text Alignment 上的表现差异不大。这符合预期，因为所有模型都使用了相同的、细致到3秒片段的文本提示和局部注意力机制来处理提示。

• 消融实验/参数分析 (Ablation Studies / Parameter Analysis):

  • TTT-MLP vs. TTT-Linear: 论文在18秒视频评估中（见附录）比较了 TTT-MLP 和 TTT-Linear。结果显示 TTT-MLP 优于 TTT-Linear。这可以看作是一个消融实验，验证了在 TTT 的隐藏状态中使用非线性的 MLP 模型，比使用简单的线性模型更有效。这说明了隐藏状态的“表达能力”至关重要。

    ---

7. 总结与思考 (Conclusion & Personal Thoughts)

• 结论总结 (Conclusion Summary): 本文成功证明，通过将具有更大、更具表达力隐藏状态的 Test-Time Training (TTT) 层集成到预训练的 Diffusion Transformer 中，可以有效解决长视频生成中的连贯性问题。该方法能够在保持线性计算复杂度的同时，生成长达一分钟的、叙事连贯的动画视频，并在人工评估中显著优于 Mamba 2 等当前先进的高效序列模型。这项工作为未来探索超越标准 Transformer 和 RNN 架构、实现更长视频生成提供了新的思路。

• 局限性与未来工作 (Limitations & Future Work): 作者坦诚地指出了当前工作的局限性并展望了未来方向：

  1. 物理真实感有限: 实验集中在卡通领域，生成的视频在物理真实感上仍有不足。
  2. 实现效率: 尽管 On-Chip Tensor Parallel 提升了效率，但内核实现仍有优化空间，例如通过异步操作来进一步隐藏延迟。
  3. 集成策略: 当前的集成方法（双向处理、门控）只是众多可能性之一，探索更好的集成策略有望进一步提升性能。
  4. 更长的视频和更大的隐藏状态: 本文的方法有潜力扩展到更长的视频。作者认为，关键在于将 TTT 的隐藏状态实例化为比两层 MLP 更强大的神经网络，例如，让隐藏状态本身就是一个 Transformer。

• 个人启发与批判 (Personal Insights & Critique):

  1. 启发:
     • “模型即状态”的范式转变: TTT 层的核心思想——将隐藏状态从一个静态的数据结构（向量/矩阵）升级为一个动态的计算模型（神经网络）——极具启发性。这种“模型即状态”的范式不仅适用于视频生成，也可能为其他需要超长程记忆的任务（如长篇文档理解、基因序列分析）带来突破。
     • 软硬件协同设计: 论文中为 TTT 设计专门的 GPU 内核，体现了算法与系统设计相结合的重要性。要充分发挥新架构的潜力，往往需要深入底层硬件进行优化。
  2. 批判性思考:
     • 泛化能力存疑: 最大的问题在于实验只在《猫和老鼠》这一特定、非写实的卡通领域进行。卡通画风相对简单，对物理规律的模拟要求低。该方法能否成功迁移到需要高度物理真实感和复杂纹理的真实世界视频生成，是一个巨大的未知数。
     • 依赖大型外部模型: 推理流程中依赖 GPT 4.5 API 进行文本格式转换，这为复现和部署带来了不确定性和额外成本。
     • 计算成本仍然高昂: 虽然复杂度是线性的，但微调整个模型的成本（在256块H100上花费50小时）依然非常巨大，限制了其在学术界和小型机构中的应用和进一步研究。
     • 评估的局限性: 虽然 Elo 是一种优秀的相对评估方法，但评估本身仍局限于卡通视频的叙事性。对于视频质量的其他方面，如多样性、创造性等，并未深入探讨。