최근의 발전은 자기회귀 (Autoregressive) 체제에서 실시간 상호작용형 비디오 생성을 실질적으로 개선해 왔습니다. 그러나 기존의 많은 수 단계 (few-step) 자기회귀 비디오 생성 방법들은 대개 그에 상응하는 다단계 (many-step) 교사 모델로부터 증류 (Distilled)되어 4단계 샘플링 설정을 기본값으로 사용합니다. 이는 배포 과정에서 여전히 상당한 지연 시간 (Latency)을 발생시키며, 특히 1단계 (one-step) 설정과 같이 샘플링 단계 수를 더 줄일 경우 심각한 품질 저하를 겪게 됩니다. 궤적 스타일의 일관성 증류 (Trajectory-style consistency distillation) 방법들은 종종 역동성이 약한 비디오를 생성하는 반면, Self-Forcing과 같은 DMD 기반 접근 방식은 프레임이 흐릿해지는 경향이 있습니다. 이러한 과제를 해결하기 위해, 우리는 고품질의 효율적인 1단계 비디오 생성을 위해 DMD 목적 함수에 보조 GAN 손실 (Auxiliary GAN loss)을 추가한 단순하면서도 효과적인 접근 방식인 One-Forcing을 제안합니다. VBench에서의 실험 결과, One-Forcing은 총점 83.76을 기록하며 1단계 인과적 (Causal) 비디오 생성 방법들 중 최첨단 (State-of-the-art) 성능을 확립하였고, 강력한 다단계 접근 방식들과도 경쟁할 만한 수준을 유지함을 보여주었습니다. 나아가 우리는 이전 방법들이 성공적으로 달성하지 못했던 설정인, 청크 단위 (Chunkwise) 모델 학습 비용의 단 3분의 1만으로도 1단계 프레임 단위 (Framewise) 자기회귀 생성을 안정적으로 달성할 수 있음을 입증합니다.