Les chercheurs identifient le "fossé de sérialité" dans les modèles de diffusion vidéo, où la performance se dégrade à mesure que les chaînes causales s'allongent lors des simulations de dynamique de sphères dures multi-balles. Des expériences contrôlées montrent que cette dégradation est causée par des structures d'événements dépendants plutôt que par la longueur de la vidéo, car elle disparaît dans les contrôles à une seule balle sans interactions.
- La diffusion vidéo bidirectionnelle standard ne s'adapte pas aux chaînes causales plus longues malgré l'augmentation des étapes de débruitage.
- Les méthodes augmentant le calcul sériel effectif, telles que la génération autoregressive et la profondeur architecturale, améliorent disproportionnellement la performance.
- L'étude prouve que les étapes de débruitage de la prédiction vidéo déterministe n'ajoutent pas de calcul sériel au-delà du backbone.
Cette découverte indique un obstacle structurel pour l'utilisation des modèles de diffusion vidéo sur des tâches nécessitant un raisonnement sériel et une simulation.