我们提出 Echo Infinity，一种面向实时无限视频生成的自回归（AR）框架，它采用可学习的演进式记忆，以恒定成本动态过滤、抽象和压缩任意长度的历史信息。现有方法主要通过预定义的 KV 缓存调度、固定比例启发式压缩或推理时的 RoPE 适配来管理记忆。这些设计由于缓存窗口有限且忽略了自回归生成噪声，不可避免地会丢失历史信息并放大累积误差。受人类记忆巩固机制的启发，Echo-Infinity 用可学习的记忆查询（Memory Query）取代了人工设计的记忆管理方式，这些查询在过往帧被移出局部窗口时，通过注意力机制和门控机制进行更新。该查询与视频扩散 Transformer（DiTs）进行端到端联合优化，形成一种演进式记忆，能够以与视频长度无关的恒定计算量支持任意压缩比。它们还充当可泛化的生成先验，即使仅使用优化后的初始状态也能提升生成质量。我们进一步引入了统一相对 RoPE 方案（Unified Relative RoPE Recipe），该方案将锚定帧（sink frames）固定从 id 0 开始，并在训练和推理过程中让最新帧的 id 最多增长至 DiTs 预训练的最大时间 RoPE id，从而将模型从有限的 RoPE 约束中解放出来，并弥合训练与推理之间的 RoPE 外推差距。在长视频和短视频生成任务中，Echo-Infinity 均达到了最先进的性能，并且据我们所知，首次展示了有前景的 24 小时（超过 130 万帧）实时滚动生成能力，为迈向无限视频生成提供了一条切实可行的路径。