跳到正文
10月12日周一
  1. 机器之心68

    清华团队发布 MGFlow 与 Elastic Forcing:探索少步生成与流式视频的样本分布训练

    清华大学团队提出 MGFlow 与 Elastic Forcing 两项研究,采用样本分布训练方法提升少步生成与流式视频模型性能。

    推荐理由:文章介绍了两项基于分布级监督的生成模型训练工作,展示了单节点训练百亿参数流式视频模型及一步文生图超越原版多步模型的效果。

10月11日周日
  1. Wired52

    我用 Google AI Playground 制作了三个糟糕游戏:实测体验与局限

    作者 Boone Ashworth 使用 Google 新推出的 AI Playground 平台,通过自然语言描述在浏览器中即时生成了三个可玩的电子游戏。该工具类似于 Meta 的 Horizon Create,允许用户上传参考资产或直接由 AI 生成视觉元素,用户可通过对话式指令调整游戏细节,例如在俄罗斯方格中将方块替换为扭曲的猪形,或构建赛博朋克风格的俯视角射击游戏。

10月10日周六
  1. 可灵AI57

    可灵Kling 4.0实战测评:超现实场景生成效果分析

    韩国视觉创作者 Oasis 针对 Kling 4.0进行了三组实战测试,重点考察超现实场景下的人物表演自然度、多图转场稳定性以及实拍与卡通风格的转换连贯性。测试结果显示,Kling 4.0 能够较好地保留静态图像中的色调与空间质感,在多人互动、场景切换及混合风格视频生成中保持了较高的角色一致性与动作逻辑。

  2. 阿里云35

    阿里巴巴AI深化与NBA合作:NBA Chat引入多模态交互与万相Wan 3.0升级

    阿里巴巴AI支持NBA中国赛2026,NBA Chat首次引入多模态交互并接入NBA知识图谱,新增基于马布里等风格的特色Agent。 万相Wan 3.0升级360度实时回放,10-15秒生成“主角时刻”视频,并通过AI Fan Cam增强现场互动体验。 2025年10月阿里云成为NBA中国官方云计算与AI合作伙伴,合作覆盖多项赛事及数字平台。

10月9日周五
  1. arXiv · AI26

    FreshMem: 面向流式视频理解的大脑启发频率-空间混合记忆机制

    论文提出 FreshMem,一种受大脑启发、无需训练的频率-空间混合记忆网络,用于 MLLMs 在线流式视频理解。 在 Qwen2-VL 基线上,FreshMem 分别提升 StreamingBench、OV-Bench、OVO-Bench 5.20%、4.52% 和 2.34%,性能优于若干全量微调方法。 该成果已被 NeurIPS 2026 接收,为长时流式视频理解提供高效新范式。

  2. arXiv · AI25

    ME-World 提出多智能体第一人称世界模型,支持细粒度具身交互

    论文提出 ME-World 模型,将多智能体第一人称世界建模定义为共享世界中多路 ego 流同步生成,并要求跨视角动作一致性与状态更新一致传播。 模型在共享 token 序列中联合去噪,基于所有智能体目标视角位姿与共享环境记忆生成内容,训练与评测使用真实及合成多智能体数据。 实验表明 ME-World 在共享世界一致性、动作控制、身份保持与视频质量上优于现有方法。

  3. arXiv · AI37

    VINCIE-NExT: 通过上下文建模实现图像驱动的视频编辑

    VINCIE-NExT 提出统一框架,通过上下文视觉演示将图像编辑能力迁移至视频,避免依赖昂贵的大规模配对视频数据。 该模型将视频编辑分解为“视频-图像-图像-视频”子任务链,引入位置编码在共享空间坐标系中对齐图像演示与视频帧,实现像素级外观传播。 在 OpenVE-Bench 上取得了最先进性能,且无需重新训练即可通过增加计算量提升编辑质量。

  4. arXiv · ML26

    基于复数融合的开词表音视频事件定位

    基于复数融合的开词表音视频事件定位模型在 OV-AVEBench 未见类别划分中刷新 SOTA,达到 66.5% Acc 和 59.1% Seg-F1。 模型冻结视觉与音频编码器,仅训练时序注意力块和复数融合 CVNN。四流复数架构在未见类别 Acc 上较微调基线提升 1.6 个百分点。 该论文已被 2026 年英国计算机视觉会议(BMVC)接收。

  5. arXiv · ML36

    用无字幕原始视频对 Qwen3-1.7B 进行中间训练:纯自监督方案优于预测字幕

    研究证明,使用无字幕、无文本损失的原始视频对 Qwen3-1.7B 进行中间训练,可显著提升模型在视觉基准上的表现。 在四个视频基准上平均提高 2.9 分,十个图像基准上提高 5.1 分,且在 14 个文本基准上保持性能(平均 48.9 分,未训练模型为 48.0 分)。 结果表明,预测下一个视觉 token 优于预测字幕,证明视频中间训练可保持纯自监督,无需承担自动字幕生成的计算开销或标注噪声。

  6. arXiv · ML22

    SpectralCache 加速扩散世界模型:基于频谱特征缓存实现 5.22 倍推理提速

    无训练框架 SpectralCache 利用相邻去噪步间奇异子空间稳定性,通过线性外推估计低维奇异值并跳选主干计算,显著加速扩散世界模型推理。 在 HunyuanWorld-Voyager-13B 模型上,该方法将推理速度提升 5.22 倍,静态场景 WorldScore 保持 65.90。 该方法在不牺牲生成质量的前提下,大幅降低了交互式环境生成所需的推理开销。

  7. arXiv · NLP25

    DataVista:首个数据视频理解基准评测 Gemini-3.1-Pro 表现

    DataVista 发布,这是首个数据视频理解基准,含 961 个视频和 6,775 道问题,覆盖 19 个 MLLM。 基准采用三级能力框架(数据感知、时间推理、叙事理解)和 10 种细分题型,横跨 5 大主题域。 最佳模型 Gemini-3.1-Pro 整体准确率仅 70.0%,远低于人类专家,因果推理和叙事结构表现最差。

10月8日周四
  1. 机器之心80

    生数科技发布 Vidu Q4 Preview:主打高动态视频生成,定价 0.09 元/秒起

    生数科技发布 Vidu Q4 Preview,支持最多 15 张参考图输入和 2K、4K 画质输出,首发价格 0.09 元/秒起。文中实测显示,该模型在人物情绪连贯性、多机位运镜切换及多物体运动控制方面表现稳定,5 秒视频最快约 110 秒生成,速度约为同类模型 2 倍。

    推荐理由:文章实测了 Vidu Q4 Preview 在角色一致性和生成效率上的具体表现,为判断 AI 视频量产门槛提供了参考。

  2. 机器之心61

    港科大等联合发布自回归视频生成记忆综述

    港科大、CMU、NYU 等机构研究者发布了 110 页综述《The Past Frames the Future: Memory for Autoregressive Video Generation》,将自回归视频生成中的记忆机制定义为跨时间步维持的历史状态,并从形式、功能、操作、学习和评估五个维度进行统一梳理,强调长期一致性不等于模型真正使用了记忆。

  3. Hacker News AI23

    VideoUpscalerAI:免费在线 AI 视频放大工具

    VideoUpscalerAI 是一款基于浏览器的免费 AI 视频放大工具,支持将视频升级至 720p 或 1080p。无需注册即可处理 10 秒内短片,每日免费额度约为 20 秒 1080p 视频。 该工具采用自研 AI 模型,在云 GPU 上运行,输出 24fps MP4 并保留原音频。付费版可解锁 2K 和 4K 分辨率,单片段最长支持 1 分钟。

  4. arXiv · AI25

    基于损失引导多专家 GAN 的手语视频合成框架发布

    提出基于损失引导多专家 GAN 的手语视频合成框架,通过三个专用判别器指导生成器分支实现隐式特征专业化。 该框架采用双路径卷积 - Transformer 设计,1.3B 参数变体在 156GB 数据集上达到 30.72 PSNR 和 0.9650 SSIM,推理显存仅需 8GB。 该技术方案已在 2025 年香港前沿科技峰会上展示,可实现听障人士手语视频的实时生成。

  5. arXiv · AI33

    StoryBlender:具有时空动态的镜头间一致且可编辑的3D故事板

    StoryBlender 提出一种基于故事中心反思机制的 3D 故事板生成框架,实现镜头间一致性与显式可编辑性。 该系统采用三阶段流水线:语义空间定位构建连续性记忆图,规范资产实例化维持视觉身份,时空动态通过视觉指标实现布局设计。 实验表明,StoryBlender 在一致性和可编辑性上显著优于扩散模型和 3D 基准方法,支持对相机和视觉资产的直接精确编辑。

  6. arXiv · AI36

    WorldSonus:为生成式世界模型引入实时交互式空间音频

    研究团队推出 WorldSonus 框架,专为世界模型实现实时空间音频合成,RTF 低至 0.41。 该框架采用流式因果自回归扩散架构,结合音频中心字幕流水线与 chunk 索引提示调度,支持生成过程中的动态声音控制及立体声空间对齐。 实验显示,WorldSonus 在开放域视频到音频基准上性能匹配或超越最先进模型。