跳到正文
11月3日周二
  1. arXiv · ML23

    AoiZora:面向视频扩散 Transformer 的编译器无关自动并行化框架

    AoiZora 是一种编译器无关的自动并行化框架,通过双 IR 架构在 TPU v5e 上将 Wan 2.1 去噪延迟降低 1.23 倍。 该框架支持 TPU v5p 训练加速 1.11 至 1.21 倍,并能在 10 分钟内找到优化方案。 其核心机制允许对 GPU 上的 PyTorch 程序进行并行化,无需执行候选方案即可定价编译程序。

  2. arXiv · ML30

    Disen-Forcing 解耦自回归视频扩散模型中的语义锚定与运动

    研究发现自回归视频扩散模型通过稀疏注意力头实现长程一致性,而非 LLM 式 attention sink。 提出 Disen-Forcing 插件,利用解耦上下文路由和运动解耦正则化,在基准测试中同时提升长程一致性与运动动态。 该方法解决了基于 sink 的方法在模型蒸馏中易导致运动坍缩的过拟合病理,已被 NeurIPS 2026 接收。

  3. arXiv · AI30

    dKV Forcing:通过可微分 KV 缓存分离生成与记忆表示

    提出 dKV Forcing 方法,通过可微分缓存训练专用记忆表示,分离视频生成与记忆写入。 该方法以 7% 的生成器更新开销实现单遍精确梯度计算,较两遍重构节省 28% 驻留内存,并缩短 20.8% 训练周期。 VBench-Long 美学质量在 60s 和 240s 下分别提升 6.6 和 8.5 分,并恢复训练时无写梯度下的运动能力。

  4. arXiv · AI33

    DTP-OPSD:面向时间视频定位的抗干扰感知时序特权在线自蒸馏强化学习框架

    DTP-OPSD 提出一种抗干扰感知的时序特权在线自蒸馏强化学习框架,专门解决时间视频定位中因视频包含相似或相反事件导致 GRPO 策略梯度失效的问题。 学生模型生成响应,共享权重的教师模型观察标记了目标窗口和干扰窗口的特权视频,通过计算教师评估学生前缀的 Jensen-Shannon 散度提供密集 token 级监督信号。

  5. arXiv · AI27

    ReactionBench:基于人类参照的视频反应建模基准

    研究人员提出 ReactionBench,这是首个以人类为锚点的视频反应特异性理解基准。 该基准包含 31,834 个刺激-反应视频片段,涵盖 433 小时时长及 8 个领域,用于评估反应强度排序、时序匹配及解释推理能力。 在七个多模态模型中,最佳模型在四选一匹配任务中准确率仅为 50.9%,表明反应特异性接地仍具挑战性。

  6. arXiv · AI21

    AuroraWorld: 面向机器人操作的外向-内向视频生成的结构化4D世界建模

    AuroraWorld通过结构化4D世界建模,从大规模外向操作视频中合成物理一致、策略相关的内向(egocentric)视频,解决现有方法在大幅视角变换、严重遮挡等场景下的局限。 其核心在于为机器人视觉运动策略学习提供可规模化获取的内向观测数据,替代高成本的外向视角部署。

11月2日周一
  1. 可灵AI25

    Kling 4.0 性能解读:八位全球创作者分享动作、镜头与参考融合体验

    Kling 4.0上线后,八位全球创作者反馈其在动作表现、镜头调度、全能参考融合及人物塑造上显著提升。 创作者作品展示了更迅猛的动态物理反馈、稳定的镜头叙事能力及灵活的多模态参考整合,支持写实至怪诞等多种风格。 这些实际案例验证了模型在提升画面真实感与创意表达自由度上的核心价值。

  2. HiDream智象元一42

    智象元一与中国科大提出 EraseSAE:基于稀疏自编码器的视频扩散模型概念擦除方法

    智象元一与中国科大联合提出 EraseSAE,利用稀疏自编码器实现文本到视频模型中概念的安全擦除,代码已开源且研究被 ECCV 2026 接收。 方法通过分区卷积 SAE 分解特征并采用动态时空掩码进行局部干预,在 CogVideoX-5B 上将裸露内容检测率从 28.25% 降至 2.62%,显著优于现有方法。

  3. arXiv · ML37

    DUGO:用于第一人称程序视频在线时间动作定位的双尺度高斯记忆

    DUGO框架通过双尺度时间编码器和高斯记忆库,在在线时间动作定位中实现最先进性能,显著提升多时间尺度动作捕捉与长程推理能力。 模型结合深度局部表征与全局自注意力机制,利用输入条件化高斯原型增强时序记忆,并在编码器及锚点查询阶段应用门控交叉注意力。 实验在EGTEA和EPIC-Kitchens-100等数据集上验证效果,同时为非第一人称基准Muses带来显著改进。

  4. arXiv · AI27

    Sparkle 提出解耦引导实现指令驱动视频背景替换

    针对视频背景替换任务因缺乏高质量训练数据而发展受限的问题,Sparkle 设计了一种解耦引导的数据生成流水线。 该流水线通过严格质量过滤生成前景和背景引导,构建了包含约 140K 视频对的 Sparkle 数据集及最大规模评测基准 Sparkle-Bench。 基于该数据集训练的模型在 OpenVE-Bench 和 Sparkle-Bench 上表现优于现有基线,且代码与数据已全部开源。

  5. arXiv · AI31

    Geo-FSRL:面向少步流强化学习的随机策略几何优化方法

    该研究提出 Geo-FSRL 方法,通过最小化条件 KL 散度诱导的几何因子来选择最优随机策略。 在等向高斯转移族中推导出唯一闭式优化器,结合梯度尺度匹配推导闭环策略梯度权重。Geo-FSRL 在 4 步设置下于图像与视频生成任务中取得优于 Flow-GRPO 和 Flow-CPS 的最终奖励分数,代码已开源。

  6. arXiv · AI36

    LIT框架:通过共同进化机制提升视频导演代理的交互与执导能力

    LIT框架通过模拟用户和元工程师的共同进化,解决了视频导演代理在交互与执导间的相互强化难题。 该框架中元代理主动学习外部知识以优化执导策略,在测试集上将制作和交互分数分别提升19.1%和32.0%。 共同进化机制促进执导技能与交互模式的探索,验证了制作与交互改进之间的相关性。

10月30日周五
  1. 可灵AI49

    Kling 4.0 API 开放,赋能影视、广告及具身智能多行业应用

    可灵AI于10月28日面向全球企业客户与开发者开放Kling 4.0 API,支持将视频生成能力接入自身产品与工作流程。 API具备全能参考、多关键帧控制及30秒原生直出能力,覆盖影视分镜、广告素材、游戏动态展示及多机器人协作场景可视化等应用。 该能力帮助企业和AI创作平台降低制作时间成本,提升画面稳定性与角色一致性,推动视频生成在各行业实际业务流程中的落地。

  2. arXiv · ML35

    GROME:视频世界模型中的因子化记忆

    新框架 GROME 通过静态-动态因子化、局部记忆检索和无训练记忆注入,显著增强视频世界模型的长期一致性。 该框架无需额外训练即可增强场景持久性,并支持外部观察作为即插即用记忆用于视频续写。

  3. arXiv · AI38

    SemantiScene-Edit: 基于指令的视频编辑方法

    SemantiScene-Edit 结合多模态编码器与视频扩散 Transformer,支持基于自然语言指令的视频编辑。 模型采用双路径源条件设计,通过可学习查询传递语义上下文,并拼接源视频潜变量以保留时空一致性。训练使用 120 万条指令视频编辑数据,推理仅需源视频和自然语言指令。

  4. arXiv · AI23

    GazeEval:利用眼动追踪评估 AI 生成视频的视觉真实性

    研究者提出 GazeEval 方法,利用眼动数据预测 AI 生成视频的感知视觉真实性,准确率达 71.3%。 该方法基于包含 90 名参与者和 438 段视频的 4,286 次有效眼动试验数据,验证了眼动模式与显式人类反馈的关联性。 研究数据已公开,支持后续关于眼动追踪在 AI 视频评估中应用的进一步研究。

  5. arXiv · AI30

    MEV:面向长镜头生成的多事件视频数据集

    MEV 是一个专为长镜头视频生成设计的多事件数据集,提供具有精确时间边界和细粒度过程注释的高质量真实视频。该数据集通过事件中心的离散化,支持时间定位条件,使模型能从原子事件单元构建长镜头视频,并提供了全面的标注流水线及全局与事件层级的结构化字幕。

  6. arXiv · NLP30

    Event-SAMA:基于神经形态事件流的语义落地视频物体分割

    研究团队发布 Event-SAMA 模型,将 SAMA-4B 适配至事件流,在 MeViS 数据集上取得 24.37 J&F 分数,确立首个事件原生 RVOS 基线。 该模型采用双通道极性 patch embedding 和零初始化事件适配器,无需重训练即可直接应用于真实事件相机记录,消融实验显示多样化训练源可带来 4.99 的性能增益。

10月29日周四
  1. 哩布哩布AI21

    LibTV双十一:三大旗舰模型30天0积分畅用,Seedance 2.5 720P低至0.17元/s

    LibTV双十一开启,Wan 3、Kling 4.0、Minimax H3三大旗舰视频模型支持最长30天0积分无限使用。 Seedance 2.5 720P生成价格低至每秒0.17元,年会员享最高1300元立减及3个月会员加赠,首三个月累计加赠超17万积分。 至尊92K年包从40999元降至16999元,活动提供7天保价,老用户升级同享优惠。

  2. RunningHUB52

    Hypit 视频复刻功能上线 RunningHub

    开源视频创作工具 Hypit 首发上线 RunningHub 的 Runow 工作台,支持免配置一键调用。用户上传参考视频和替换素材后,Hypit 会解析原片的镜头节奏、画面风格及文字声音,提供三种兼顾还原与改编的复刻方案。创作者可通过同步对比功能进行定向修改,直接应用于电商广告、影视二创或自媒体内容制作,无需本地安装或对接模型接口。

10月28日周三
  1. arXiv · AI27

    视频世界模型潜空间中的动作相关性:预测优于重建

    研究发现视频世界模型潜空间中的动作相关性主要由时序视频预训练驱动,而非像素重建保真度。 强像素解码质量模型的动作可恢复性可能接近零,而视频预训练的自监督编码器在视觉保真度与动作预测间达成最佳帕累托权衡。 时序预测结构是动作相关视频表征的核心要素,且逆动力学监督可显著提升对视觉损坏的鲁棒性。