ReCA: Multi-Shot Long Video Extrapolation via Recursive Context Allocation arXiv 2026

Akide Liu, Jinbo Xing, Chaojie Mao, Ye Li, Zeyu Zhang, Yefei He, Weijie Wang, Zihan Wang, Yu Liu, Gholamreza Haffari, and Bohan Zhuang

ReCA 方法总图:递归规划、叶子节点执行、并行与顺序执行逻辑、自适应状态更新

  • 问题:从一帧或一段已有画面出发,续写成几分钟、有镜头结构的长视频(多镜头视频外推,MSVE)。单镜头外推保住了画面却没有镜头结构;多镜头叙事有结构,却会自己编造画面,而不是延续已有的那一个。短视频模型每次调用的预算有限:把整部剧本交给全局规划会规定出无从支撑的细节,塞进每个镜头的提示词会稀释相关状态,靠上一段末帧串联则让身份、场景、物体和动作状态逐段衰减。
  • 做法:ReCA 认为长视频的失败不在上下文不够长,而在上下文分配不当。它递归地把任务拆成上下文有界的子问题,只在叶子节点调用冻结的短视频生成器;每次调用只读上段边界、本镜目标和显式状态,生成后校验并刷新状态,沿时间向后传递。
  • 评测:提出 MSVE-Bench 与 NB-Q,专门评测 3–5 分钟的长视频生成。
  • 结果:平均归一化得分比最强的对比控制器高 8–16%,多镜头一致性指标提升 28–43%。
  • 我的工作:负责递归规划与上下文分配模块的代码实现与实验。