你在虚拟世界里突然转向，画面却还沿着旧方向生成——这正是缓存可能带来的麻烦。缓存会保存并复用上一次生成的中间计算，能省时间，却可能把旧操作的影响一并留下。CtrlCache要解决的，就是交互式视频世界模型既要实时出画面，又要及时听从用户控制的矛盾。
它最关键的一步，是直接用生成前已经到达的控制信号决定何时重算。系统把视频片段标为初始、动作切换、持续转向或稳定状态：初始和切换片段完整计算并刷新缓存；持续转向和稳定片段则可在一次中间去噪步骤复用计算结果。作者还发现，稳定操作时，前一片段的低频结构——可理解为画面的大致布局——比高频细节更可靠，因此只在稳定状态下借用这部分历史信息。
据作者在 Matrix-Game 2.0 和 LingBot-World v1/v2 上的实验，CtrlCache无需重新训练，令 DiT 主干计算加速 1.21 至 1.41 倍，同时三种模型的 WBench Overall 均高于原始推理。结果仍来自论文作者自测，但它提供了一个清楚思路：缓存不只看模型内部变化，也该看用户刚刚做了什么。