LongLive1.0 与 LongLive2.0中的Rope设计

首先参数有很大的不同：

	LongLive1.0	LongLive2.0
基座	Wan2.1-T2V-1.3B	Wan2.2-TI2V-5B
num_frame_per_block	3	8
local_attn_size (recent)	12 帧	32 帧
sink_size	3 帧	8 帧（推理）/ 0（训练）
token/frame	1560（480×832）	880（720p 采样，24*880 常量）
recent 窗口 token	12×1560 = 18,720	32×880 = 28,160
RoPE	绝对位置（start_frame）	绝对 + multi-shot 相位偏移 φ=8

首先是 LongLive 1.0

• Sink：永远用前3帧，RoPE 永远是 0,1,2
• Recent：最近9帧+当前3帧, RoPE 用单调递增的绝对位置
• Prompt切换：
  • sink 不重写
  • recent 重写：最近帧用新的prompt，位置编码不变。
• 交互式的上限：大概60s

然后是 LongLive 2.0

• Sink：
  • global sink：前 8 帧，RoPE 永远 0~7
  • pinned sink：新 shot 首 chunk 8 帧，RoPE 是其绝对帧号+shot偏移
• Recent：
  • 窗口总 32 帧 = sink 8 + 24（含当前 8 帧 chunk），即 16 帧纯历史
  • RoPE 用单调递增的绝对位置（+ shot 相位偏移）
• Prompt切换：
  • global sink 不重写
  • pinned shot sink：把新 shot 首 chunk 钉住，替代旧 sink
  • recent 不重算（无 recache），只是继续滚动；新旧 shot 共享同一窗口
  • RoPE 变化：每个新 shot 的帧号与全局 sink（0–7）保持 k×8 的固定相位差
  • 切换时，添加前缀："The scene transitions. " ，后续 chunk 用原 caption
• 生成上限：绝对 RoPE 下受 1024 位置表约束