На етапі логіки додається планування, базова модель не змінюється. Така швидка та зручна оптимізація, якщо б обчислювальна потужність зросла, довгі відео можна було б створювати справжнім інженерним процесом, а не алхімією.

Ця стаття пропонує впровадити у фазу інференції багато-деревну пошукову стратегію Монте-Карло — рамковий підхід Planning at Inference, який розглядає генерацію довгого відео як послідовну задачу прийняття рішень, використовуючи передбачувальне відслідковування та зворотне поширення нагород для оцінки різних фрагментів, значно пом’якшуючи семантичний зсув і накопичення помилок при сегментації. Багатодеревна структура підвищує ефективність пошуку і може слугувати як повністю вставна оптимізація під час інференції без необхідності донавчання базової моделі. У експериментах Cosmos-Predict2 було створено понад 20 секунд високоякісного послідовного відео, яке перевищує показники жадібного/обмежувального пошуку та Best-of-N за показниками стійкості об’єктів, часової послідовності та відповідності тексту; у порівнянні з Sora та Kling, час зростає на 18% і 47% відповідно, при збереженні якості зображення. Хоча обчислювальні витрати високі, за умови покращення базової моделі та апаратного забезпечення цей підхід має потенціал просунути генерацію довгого відео до рівня інженерної реалізації.