Temporal Backtracking Search for Test-time Generative Video Reasoning
作者: Sejoon Jun, Zheng Ding, Huangyuan Su, Weirui Ye, Yilun Du
分类: cs.CV
发布日期: 2026-06-11
💡 一句话要点
提出时间回溯搜索以解决生成视频推理中的瓶颈问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 生成视频推理 时间回溯搜索 逻辑推理 迭代生成 机器人导航 自动驾驶 视频生成
📋 核心要点
- 现有生成视频推理方法在逻辑推理上存在早期承诺的问题，导致生成结果的质量受限。
- 本文提出的时间回溯搜索（TBS）通过在时间轴上进行搜索，重构了生成过程，允许从任意干净前缀恢复生成。
- 实验表明，TBS在多个领域的表现超越了传统的最佳N样本方法，尤其在分布外情况下，成功率显著提高。
📝 摘要（中文）
尽管测试时扩展已在大语言模型中取得突破，但生成视频推理仍受限于单次生成范式。本文提出时间回溯搜索（TBS），通过在时间轴上进行搜索，克服了现有方法在推理过程中的逻辑缺陷。TBS通过三种核心机制实现视频生成的迭代生成-验证-重启循环，显著提高了生成视频的质量和效率。实验结果表明，TBS在多个领域的表现优于传统方法，尤其在分布外设置中，TBS的成功率达到22.7%。
🔬 方法详解
问题定义：本文旨在解决生成视频推理中的逻辑缺陷和效率低下的问题。现有方法在推理过程中早期承诺，导致无法有效修正错误，影响生成质量。
核心思路：论文提出的时间回溯搜索（TBS）通过在时间轴上进行搜索，允许从任意干净前缀恢复生成，形成迭代的生成-验证-重启循环，从而提高推理的灵活性和准确性。
技术框架：TBS的整体架构包括三个主要模块：变量K条件生成、时间过程验证和基于前缀的搜索。变量K条件生成允许从任意干净前缀恢复，时间过程验证用于定位失败并提取有效的重启锚点，而基于前缀的搜索则重新分配计算资源以延长正确轨迹。
关键创新：TBS的核心创新在于将搜索空间转移到时间轴上，显著提高了生成视频的推理能力，揭示了视频模型的局部推理能力远超单次生成的结果。
关键设计：在TBS中，关键参数设置包括生成的前缀长度和重启策略，损失函数设计考虑了生成质量与时间效率的平衡，确保了模型在复杂场景下的稳定性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在严格的分布外设置下，传统的最佳N样本方法成功率仅为0.7%，而TBS的成功率达到22.7%。每个成功的案例均来自重启的分支，表明TBS在处理逻辑缺陷方面的有效性。
🎯 应用场景
该研究的潜在应用场景包括视频生成、自动驾驶、机器人导航等领域。通过提高生成视频的推理能力，TBS可以在复杂环境中实现更高效的决策支持，推动智能系统的实际应用和发展。
📄 摘要（原文）
While test-time scaling has revolutionized reasoning in large language models, generative video reasoning remains bottlenecked by a single-shot paradigm. We demonstrate that searching over denoising steps cannot rescue logically flawed rollouts because spatial trajectories commit early in the diffusion process. Root-level Best-of-N (BoN) sampling is similarly inefficient: reasoning errors cluster early in the temporal axis, and resampling blindly discards verified upstream progress. To unlock effective test-time scaling for video models, we introduce Temporal Backtracking Search (TBS), which shifts the search space to the temporal axis. TBS transforms video generation into an iterative generate-verify-restart loop via three core mechanisms: (1) variable-K conditioning to resume generation from arbitrary clean prefixes; (2) temporal process verification to localize failures and extract valid restart anchors; and (3) prefix-based search to reallocate compute toward extending correct trajectories rather than root resampling. Across algorithmic, navigation, and robotics domains, TBS Pareto-dominates matched-budget BoN. In a strict out-of-distribution setting where one-shot generation collapses (0.7% for BoN), TBS achieves 22.7%, with every solved episode stemming from a restarted branch. Ultimately, TBS reveals that the local reasoning competence of video models far exceeds what single-shot rollouts indicate, providing a scalable test-time framework to unlock it.