共计 1327 个字符，预计需要花费 4 分钟才能阅读完成。
近年来，人工智能在内容生成领域取得了突破性进展，尤其是在动画视频制作方面。特别是借助 Transformer 架构和 Test-Time Training（TTT）技术，AI 能够在无需剪辑的情况下，根据简单提示自动连续生成长达一分钟的动画视频。这一技术不仅让人们重新体验经典动画《猫和老鼠》，还开辟了全新的内容创作方式，让童年的记忆得以以全新的面貌延续。
经典动画的 AI 重现：无需剪辑的自动续写
《猫和老鼠》这部诞生于 1940 年的动画，至今已有 85 年的历史。通过先进的 AI 技术，只需输入关键提示，AI 模型就能直接生成全新的一集动画，画面流畅，情节连贯，完全无需人工剪辑。这一切的实现，得益于融合了 Transformer 和 Test-Time Training 的创新架构。研究团队利用预训练的 Transformer 模型，在嵌入 TTT 层后，仅用 5 亿参数的模型，便可以理解复杂的故事提示，输出长度达 60 秒的连续动画视频。
技术创新：TTT 层与视频生成新可能
TTT 层的核心思想是在传统 RNN 基础上引入神经网络作为隐藏状态的更新机制，采用两层 MLP，将上下文信息压缩成隐藏状态的权重。通过自监督学习，模型能从噪声或部分信息中重建完整输入，与去噪自编码器类似。与传统线性注意力不同，TTT 层增加双倍隐藏单元，增强表达能力，使模型在理解复杂剧情和动作时表现卓越。它还支持端到端训练，界面与其他网络层兼容，可以无缝替换和插入多种架构中。
应用场景：从故事概要到视频
研究团队用三种文本提示格式（简要剧情、大量详细描述、分镜脚本）指导视频生成，利用 Claude 3.7 Sonnet 实现格式转换。场景被划分为多个短片段（通常 3 秒），每个片段配以详细的脚本，模型逐一生成，然后拼接成完整视频。为了提升效率，还采用了大批量并行处理和片上张量并行技术，大大缩短了训练时间，提高了处理能力。
内容效果：高保真、连贯的动画
以“汤姆追杰瑞”为故事线生成的动画显示，模型能逼真还原角色动作，保持场景一致性，并展现自然流畅的运动效果。除了经典追逐场景，也加入了创新的剧情元素，如汤姆误入办公室打断会议，以及杰瑞在水下寻找宝藏等丰富剧情。这些内容的生成，得益于 TTT 层处理长序列信息的能力，避免了传统方法中的场景变形和动作不自然的问题。
性能评估：优越的场景一致性与动作自然度
采用多维度评估体系，包括文本一致性、动作自然度、美学质量和时间一致性。研究采用盲测偏好比较，通过 Elo 评分系统，结果显示，基于 TTT-MLP 的模型在所有指标上均优于其他基线方法。尤其在场景连贯和动作平滑方面表现突出，比第二名高出大约 34 Elo 分。这表明技术的实际效果已超过传统的视频生成技术，为未来 AI 动画制作打开了新局面。
未来展望：像素即生成，动画无限可能
随着技术的不断演进，未来每一像素都可能由 AI 生成，动画的创作将变得更加高效、丰富。AI 不仅能复刻经典，更可根据提示自由创作全新故事，让每个人都能成为内容创作者。此次的研究成果，是将 Transformer、TTT 层以及大规模预训练模型结合的突破，为动画、游戏、广告等行业带来了无限可能。相信随着技术的发展，未来我们会看到越来越多令人震撼的 AI 动画作品，让童年的经典永不褪色，创意不断涌现。
