跳到正文
10月14日周三
  1. arXiv · AI32

    4LC:用于动态世界建模高效条件化的 4D 潜在缓存

    4LC 是一种结合复合视觉表示与灵活时空访问接口的 4D 潜在缓存,通过直接复用静态和动态内容的视觉表示,避免每次生成时的 RGB 渲染和重编码。 4LC 将来自多个视觉编码器(如 VAE、DINO、V-JEPA、VGGT)的表示绑定到共享的几何和运动信息,支持在独立指定的时间和视角下读取数据,为多种下游任务提供统一的格式条件化。

  2. arXiv · AI37

    REEL:通过检索、评估和演化视觉记忆实现任意长时序多镜头视频生成

    REEL 作为一个通用视觉记忆规划器,通过统一工具接口学习检索参考、创建视觉证据和更新持久记忆,以解决长视频生成中的视觉一致性问题。 在 JoyAI-Echo~1.5 和 MiniMax-H3 上,REEL 将 ST-Bench 跨镜头一致性提高了 15.1% 和 20.7%,在 REEL-Bench 的 Core-100 上分别提升了 2.41 和 8.32 分。

  3. arXiv · AI24

    EventLens:用于视频理解的事件结构强化学习框架

    针对多模态大语言模型无法恢复视频时间结构的问题,提出以视觉为中心的强化学习框架 EventLens,通过恢复事件结构进行训练。 该框架构建事件分割、进程判别及多事件关系推理任务,利用 GRPO 训练并引入 MT-OPD 策略整合,无需人工偏好标签。 在 Qwen3-VL 骨干网络上,该方法在时间基准测试中表现提升,且训练成本显著低于直接混合 RL 优化。

  4. arXiv · AI23

    TARA 方法提出跨视角物理对抗攻击 针对世界模型与视频理解模型

    研究者提出 TARA 方法,通过轨迹感知优化让单一可打印物理纹理在多变视角下持续干扰模型。 该攻击利用对比对齐技术,使不同视频轨迹下的受害表示收敛至共享对抗区域以实施物理威胁。 这揭示了世界模型和视频理解模型在现实动态环境中面临的基础安全挑战。

  5. arXiv · AI22

    Prospective Forcing:通过前瞻学习提升自回归长视频扩散生成

    Prospective Forcing 是一种多头预测框架,通过向自回归视频表示注入长程预测信号来解决长时间 rollout 中的画质下降问题。 该方法基于滚动窗口生成器,附加轻量级、偏移特定的头,独立预测不同未来时间偏移的 chunks,并在推理时使用已接受的未来 chunks 预测来跳过完整窗口骨干执行以加速采样。

  6. arXiv · AI21

    GeoFix:面向4D一致生成的几何修复框架

    提出 GeoFix 框架,通过单一几何奖励提升 4D 生成的几何一致性与视觉质量,避免传统方法对纹理细节的损害。 该框架利用静态场景区域的跨视图深度一致性作为奖励指标,并根据相机视场重叠依赖趋势进行校准,防止小相机移动被误判为更好的几何结构。 GeoFix 在 WorldScore 3D 一致性上提升 39%,VBench 质量得分提高 4%。

  7. arXiv · NLP23

    视频推理中的奖励加权:提升 Token 效率的 GRAB 方法

    研究提出结构化事件证据(SEE)Schema 及 GRAB 算法,解决视频大语言模型在平衡模式合规、任务准确性与推理预算时的多目标优化瓶颈。GRAB 在奖励空间内动态计算帕累托最优权重,相对 GRPO 运行时开销极低(<0.002%),避免了对静态权重的繁琐调优。基于 PARSE-60K 数据集训练的 PARSE-4B 模型,在保持竞争准确度的同时,生成 token 数减少 13% 至 39%。

  8. arXiv · AI23

    LabInstruct: 实验室程序情境化指令视频生成基准

    LabInstruct 发布,这是一个针对真实实验室情境化指令视频生成的基准,包含 204 项任务,覆盖 5 个科学领域。 该基准包含真实参考执行记录,以及关于物体、动作、接触和状态转换的结构化标注,并用于评估 8 个前沿 image-to-video 模型。 评估结果显示,视觉合理的视频生成结果经常在程序上存在错误,揭示了视觉真实感与实验指令可靠性之间的显著差距。

  9. arXiv · AI30

    ACROSSVAM2.0:面向参数高效视频扩散适应的冲突感知点监督

    基于 5.01B 参数文生视频扩散 Transformer 的 ACROSSVAM2.0 结合置信加权头部与不对称 PCGrad,在 24 提示词评估中较对照降低 9.7% 跟踪循环误差。 方法通过零初始化残差反馈保护初始生成器,四次消融实验中种子级 KLT 误差平均降低 0.00711,VBench 六维度表现与对照持平。 研究结论表明该冲突感知适应提升了对应一致性,但未广泛改善视频感知质量。

  10. arXiv · AI33

    Reels-RSI 开源框架通过程序级自我改进提升代码生成视频质量

    Reels-RSI 是开源视频导演框架,通过程序级自我改进而非权重更新提升视频质量。在 111 个视频案例中,其学习规则捕获了早期 4 个潜在缺陷,且后续无新缺陷。 该系统将静态检查捕获的经验编译为带测试用例的规则,确保新规则能回溯审计旧内容;弱导演在有规则保护下违规次数从 30 次降至 5 次。

  11. 36氪77

    字节AI游戏《不问凡尘》Steam 上线,Seedance 驱动全AI制作,88%好评率出圈

    字节跳动旗下江南工作室在 Steam 发布全AI修仙游戏《不问凡尘》EA 版本,上线初期获 88% 好评率。该游戏由 Seedance 模型驱动,集成了 AI 美术、AI 配音和 AI 代码,制作团队仅 20 人,开发过程因追求 AI 视觉风格导致素材废片率达 98%。

    推荐理由:字节Seedance驱动的首款全AI修仙游戏在Steam以88%好评率出圈,验证了AI制作管线在完整可玩性上的初步落地。

  12. 智东西75

    中国视频模型Top 3路径分化:Vidu Q4 Preview主打传神表现力与低价门槛

    可灵Kling 4.0、Seedance与Vidu Q4 Preview近期密集发布,分别押注工业化效率、专业控制力与自由表达。Vidu Q4 Preview主打“传神表现力”,在人物情绪、镜头运动和复杂视效上升级,最高支持4K输出与16秒单次生成,MaaS图生视频4K价格为2.43元/秒,部分SaaS场景成本降至每秒几分钱,让漫剧、短剧和影视预演的试错门槛显著下降。

10月13日周二
  1. 机器之心39

    牛津大学等团队提出交互式视频世界模型 Oneira

    牛津大学等团队提出 Oneira,通过 Coding Agent 维护 World State Table,实现精确物体交互与状态长期保持。 模型将世界状态与画面生成解耦,利用 3D BBox 记录物体位置,解决镜头移动后状态丢失问题。 在 InteractionBench 上,其交互准确性比基线高出 29 个百分点,记忆测例 PSNR 提升 93%。

  2. IT之家60

    OpenAI 计划将 Sora 移交给好莱坞创业公司,转向 AI 专业影视工具

    OpenAI 正与一家专注于电影制作 AI 视频技术的初创公司谈判,计划将此前停运的视频生成模型 Sora 移交给该公司,让其以专业影视工具的形式重新进入市场。该初创公司由好莱坞制片人杰弗里·卡岑伯格、Sora 前研究负责人比尔·皮布尔斯和 Dropbox 前首席财务官苏杰·贾斯瓦于数月前创立;双方尚未敲定合作条款,也不清楚该公司是否能获得 Sora 的模型权重。

  3. 量子位77

    AI从生成画面转向构建可交互世界模型

    字节在《2026 美好奇妙夜》节目现场展示了其研发的世界模型,支持单句话生成三维场景、自由探索及实时物体交互。文章指出世界模型通过空间表征与状态建模解决传统视觉生成的物理一致性短板,并延伸至自动驾驶数据生成与机器人虚拟训练场景。英伟达、AMD等厂商正加速布局世界模型算力与仿真平台,国内厂商依托图像视频生成技术积累逐步向通用世界模型演进。

    推荐理由:通过梳理世界模型从统计生成到空间状态建模的演进,揭示了AI从生成画面转向模拟可交互环境的技术路径与产业逻辑。

10月12日周一
  1. Seven Minute Feed40

    AI 生成科幻剧集《The Arc》制作成本约 3.8 万美元

    由 Seedance 和 Kling 等工具生成的五集科幻剧集《The Arc》总耗资约 3.8 万美元,每镜头需 8-10 次生成。 AI 平台 Artlist 出品并免费提供流媒体播放,小团队在获批后 3.5 周交付首集,全程无演员、布景或服装。 导演表示 AI 使其能低成本呈现如日本战场等原本预算不足的复杂场景。

  2. 36氪40

    横店如何靠文旅体验与AI应用逆袭AI冲击

    横店影视城因AI短剧冲击导致空置率超八成,现通过人均两三百元的“横店落地签”文旅项目成功吸引游客。 体验项目提供24个古装剧本及1v1服务,最快半小时出片,带动门票餐饮消费;同时启用横店影视大模型服务百余家企业,升级影视产业链。 此举证明新技术淘汰的是过时商业模式而非产业本身,横店通过拥抱变化重新站稳脚跟。

  3. arXiv · AI30

    MotionCoach:构建视频专业动作编辑的多模态引导

    多模态智能体 MotionCoach 通过自验证与多轮工具使用生成专业动作编辑引导,在 VPMEBench 上将 Seedance 2.0 综合得分从 55.1 提升至 65.6。 该智能体在 MotionCoach-SFT-10k 上冷启动,并基于 MotionCoach-RL-2k 使用 GRPO 算法进行强化学习优化。 无需重新训练视频编辑模型即可实现精确的专业动作编辑。