본 논문은 재귀적 차분 예측에서의 오류 누적을 해소하는, 학습 없이 적용 가능한 누설 적분기(leaky-integrator) 재구성을 제안한다. 첫 번째 기여는 진단적이다. 비정상성(non-stationarity)에 대한 표준적 처방인 일(step) 변화량 예측 후 누적 합으로 적분하는 방식은 단위원(unit circle) 위에 극(pole)을 갖는 이산 적분기이며, 이로 인해 비선형 모델의 재귀적 롤아웃(rollout)이 발산함을 보인다. 시험한 모든 신경망 아키텍처에서 336-step 오류는 양호한 예측기의 수 배에 달하며(정규화 MAE 1.6–3.8 대 약 0.8), 두 번째·핵심 기여는 수정책이다. 누설 적분기 H(z) = 1/(1 - gamma z^-1), gamma < 1로 극을 단위원 안으로 옮기면 누적 오류 분산이 증명 가능하게 상한(bound)된다. 재구성 시점에 gamma=0.9 하나로 고정해 적용하면(재학습 없음, 배포된 일(step) 예측기 또는 파운데이션 모델 예측기에 두 줄 변경) 모든 horizon에서 오류가 줄어든다. 발산하는 7개 아키텍처와 20개 데이터셋에 대해 평균 이득은 H=24에서 ~3%, H=96에서 23%, H=192에서 37%, H=336에서 51%(해당 아키텍처들에서 43–74%, 오라클 극 사용 시 78%)로 커진다. 중요하게, 병리적 현상이 없는 경우(안정적 예측기나 이미 불가피한(rate) 수준에 있는 공동 예측기)에는 증명 가능하게 무반응(inert)이므로 안전하고 일반적인 기본값이 된다.
자기회귀 확산 모델은 고품질 비디오 생성을 가능하게 했지만, 순차적 특성으로 인해 본질적으로 오류 누적 문제를 겪는다. 장기(long-horizon) 비디오 합성에서 미세한 예측 편차가 시간이 지남에 따라 복합적으로 누적되어, 제약 없는 생성 드리프트(generative drift), 구조적 붕괴, 심각한 시각적 열화를 필연적으로 초래한다. 이를 해결하기 위해, 우리는 안정적이고 시간적으로 일관된 장기 비디오 생성을 위해 설계된 새로운 프레임워크인 Cycle-World를 제안한다. 우리의 접근법은 학습 및 추론 단계 모두에 걸쳐 엄격한 시간적 가역성을 강제함으로써 오류 드리프트를 해결한다. 이론적으로, 우리는 순방향 생성 드리프트가 순환 일관성(cycle-consistency) 목적함수에 의해 엄격하게 병목될 수 있음을 증명한다. 학습 중에는 효율적인 역방향 예측 모델을 통합하여 순방향 생성기에 인과적 제약을 암묵적으로 내재화하고, 이를 통해 자연 비디오 매니폴드에 밀접하게 부합하는 가역적 시퀀스를 생성하도록 강제한다. 추론 시에는 이 고정된 역방향 모델을 런타임 보정기로 재활용한다. 그래디언트 기반 순환 가이던스를 통해 생성된 잠재 표현(latent representation)을 반복적으로 정제하여, 누적된 오류가 히스토리 컨텍스트에 반영되기 전에 적극적으로 억제한다. VBench 벤치마크에서의 광범위한 실험을 통해, Cycle-World의 이중 단계 시너지가 오류 드리프트를 크게 완화하여 60초 합성에서 최첨단 전반적 생성 품질과 장기 시간적 일관성을 달성함을 입증한다.