推理阶段才上规划，底座模型不用动，这种即插即用的优化要是算力下来点，长视频生成真能从炼丹变工程

该论文提出在推理阶段引入多树蒙特卡洛树搜索的 Planning at Inference 框架，将长视频生成视为顺序决策问题，通过前瞻回溯和奖励反向传播评估多种片段，显著缓解分块生成的语义漂移与误差累积。多树结构提高搜索效率，且可作为完全插拔的推理时优化方案，无需微调底座模型。在 Cosmos-Predict2 实验中，生成超过 20 秒的高质量连贯视频，在物体持久性、时序连贯和文本对齐等指标上超越贪婪/束搜索与 Best-of-N；相较 Sora、Kling，时长提升 18% 和 47%，画质相当。尽管算力成本高，若底座与硬件提升，这一路径有望推动长视频生成走向工程化。