跳到正文
10月28日周三
  1. 机器之心72

    Meta 提出 World-T³ 视频世界模型:测试时训练解决长时记忆遗忘并实现单卡实时生成

    Meta 等机构提出 World-T³ 相机可控视频世界模型,利用测试时训练将历史观测按相机位姿写入快速权重,实现长时记忆持久化。在重访基准测试中,该方法将重访 PSNR 从最强基线的 13.52 dB 提升至 18.31 dB,绝对旋转误差降至 1.075°。

    推荐理由:论文提出了将相机位姿记忆写入快速权重的测试时训练方案,单卡实现 20.6 FPS 实时长时生成。

  2. 36氪51

    AI漫剧价格暴跌96%,行业头部公司半年收入超2亿元

    AI漫剧制作报价从每分钟5000元跌至200元甚至更低,跌幅达96%,但港股上市公司兑吧上半年AI短剧收入达2.23亿元,且已连续三个月单月盈利。DataEye数据显示2026年9月抖音端新增5.18万部AI剧,播放增量超2000亿次,但82%的新剧当月播放量不足100万。平台掌握流量与分账规则,制作方利润微薄且回本困难,而拥有发行能力和IP资源的头部公司则通过自研Agent提升效率并实现盈利。

  3. 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。

  4. arXiv · AI33

    TAPESTRY:面向视频生成与机器人控制的单一骨干网络

    TAPESTRY 将机器人动作视为视频模型潜空间中的单补丁 Token,复用预训练视频扩散 Transformer 构建机器人策略,推理时无需生成视频。 模型通过线性投影将动作映射至 VAE 补丁维度,采用视频、联合视频动作及仅动作三种扩散目标优化共享骨干。 在消费者硬件上,单次 DDIM 步即可生成动作块,每动作块耗时 84 ms,显著降低推理成本并避免完整视频生成开销。

  5. arXiv · AI21

    LociArt:自由风格局部视频风格化的统一范式

    提出 LociArt 统一范式实现自由风格局部视频风格化,明确指定风格化区域与样式。 核心组件 GRNStyle 基于生成细化网络并引入极坐标风格感知掩码,结合原始掩码空间支持以集成时空上下文。构建了包含 10 万对局部风格化样本的 LociArt-100K 数据集,实验显示 GRNStyle 在区域风格质量和空间控制上优于现有方法。

  6. arXiv · AI41

    Agentic Self-Improvement:面向图像转视频一致性的智能体优化框架

    提出“Agentic Self-Improvement”框架,将图像转视频合成重构为闭环目标导向优化,人类偏好测试中胜率最高达69%。 该框架采用两阶段方法:先利用多模态大语言模型通过场景图查询和常见错误问题优化提示词,再用贝叶斯优化协同调整随机种子和CFG scale。 该方法增强了现有视频生成模型的可预测性和可控性,推动其从随机试验转向可靠的生产级工具。

  7. arXiv · AI39

    DyMoS:通过重平衡参考帧优势提升图生视频模型的动态表现

    研究识别出参考帧优势是导致图生视频模型运动抑制的关键机制。非参考帧对参考帧键token分配过多自注意力,导致参考信息过度传播。 该方法提出无需训练且模型无关的DyMoS,在初始去噪步骤中重新平衡注意力路径。它不改变输入图像和模型权重,仅引入单一标量参数控制运动强度。 实验表明,DyMoS在多个SOTA图生视频骨干网上一致提升了运动动态,同时保持视觉质量和参考图像保真度。

  8. arXiv · AI34

    HiMu: 用于长视频问答的分层多模态帧选择框架

    HiMu 是一个免训练的分层多模态帧选择框架,通过单次 LLM 调用将查询分解为逻辑树,在标准 16 帧预算下实现了 SOTA 准确率。该框架利用 CLIP、OCR 等专家信号生成帧满足度曲线,且匹配 4 倍帧预算的均匀采样精度。它作为即插即用模块,在 Video-MME 等基准上显著提升了 7 种 MLLM 的表现。

  9. arXiv · AI26

    LARVA:通过联合潜在推理与观察实现智能体视频理解

    提出 LARVA 框架,通过联合学习的潜在推理和视觉观察来蒸馏多轮视频智能体。观察者向推理者传递紧凑连续表示,替代文本描述以指导下一步动作。 使用 4B 和 7B 骨干模型,在 VideoHolmes 等基准上,7B 模型比文本 CoT 学生模型分别高出 5.1、2.5 和 3.7 个百分点。 证明了联合学习证据表示与行动在蒸馏视频理解能力中的价值。

  10. Hacker News AI40

    Show HN: Dola AI 推出面向艺术家的AI视觉控制创作工具

    Dola AI 发布面向艺术家的浏览器端视觉控制工具,将图像编辑、场景合成、视频时间轴和参考板整合为单一工作区。 该工具支持通过 2D 分层和 3D 场景放置预先构图,再提交生成任务;3D 世界使用 World Labs Marble 技术,音频和对象生成使用 Fal 模型。 本地编辑、项目保存和调整构图不消耗生成积分,完整结果绑定在用户账户。

  11. Google DeepMind81

    Google DeepMind 发布世界模型 Genie 4

    Google DeepMind 发布新一代世界模型 Genie 4,这是首个能实时生成原生音频和交互式对话的世界模型,支持用户通过自然语言实时调整场景。Genie 4 依托 Gemini 模型家族实现物理规律仿真和复杂事件推理,目前作为研究预览版本向可信测试者开放,未来将面向 Project Genie 用户和 Gemini API 合作伙伴推出。

    推荐理由:原文展示了Genie 4如何将Gemini的推理能力与实时音视频生成结合,帮助读者理解世界模型在机器人训练和交互体验中的具体落点。

  12. APPSO58

    《三星堆:未来往事》观后复盘:AI电影的市场表现与创作挑战

    作者看完国内首部带龙标AI电影《三星堆:未来往事》后撰文复盘,该片上映4天票房约123万元,上座率跌至0.2%,被观众评价为像在大银幕看短剧。文章分析指出影片在叙事节奏和人物逻辑上存在明显缺陷,虽技术生成效率提升,但缺乏电影美学感染力;作者对比了马斯克AI版《奥德赛》及行业其他案例,指出AI影视在院线面临的信任消耗,认为技术仅解决画面流畅,未能解决故事深度,观众购票依然看重人物动机与情节合理性。

10月27日周二
  1. Seven Minute Feed59

    港大研究:字节Seedance 2.0 Pro 视觉质量超越 Google DeepMind 和 OpenAI,但安全防护滞后

    港大研究人员对 12 款 AI 视频生成器进行排名,字节的 Seedance 2.0 Pro 以 3.84/5 的视觉质量得分位列第一,领先于 Google DeepMind 的 Veo 3.1(3.47)和 OpenAI 的 Sora 2 Pro(3.27)。该研究的主要作者指出,多项中国模型在安全预防措施方面表现相对滞后。

  2. Hacker News AI67

    美国 AI 实验室版图:创始人、收入与背后的资金

    九家美国模型实验室合计估值约 2.18 万亿美元,而 2025 年收入不足 250 亿美元,文中通过 Anthropic S-1 和 OpenAI 财报数据展示资本如何为高速增长斜率定价。核心实体包括 OpenAI、Anthropic 和 xAI,其中 Anthropic 估值达 9650 亿美元但 2025 年收入仅 45.9 亿美元,xAI 则通过 SpaceX 合并估值 2500 亿美元。

10月26日周一
  1. 哩布哩布AI34

    WorkBuddy 打通 LibTV,实现工作上下文直接生成视频

    WorkBuddy 正式打通 LibTV,支持直接调用其专业创作工具与导演级 Skills,实现从品牌视频、爆款素材到短剧的全流程生产。 该集成允许用户参考 LibTV 爆款作品的制作画布与提示词进行快速复刻,并借助 Wan 3、Seedance2.0 Fast 等模型降低成本,如 3 元制作品牌片、5 元制作短剧。 结合定时任务可实现 7×24 小时持续出片,单人即可运营一条自动化视频生产线。

  2. Hacker News AI26

    Aivs 上线:基于 Rust 与 Codex 的本地 AI 视频工作室

    Aivs 是一款原生 Rust 本地 AI 视频工作室,通过 Codex 将剧本转化为拍摄计划,支持角色绑定与视频渲染。 工具链采用 Rust 处理结构化数据,Python 执行 Codex 生成 4-12 秒分镜,FFmpeg 负责视频组装,并严格校验 1024 Gemma token 限制。 该流程实现了从剧本到成片的本地化自动化制作,显著提升了短片生成的效率与可控性。

  3. Seven Minute Feed53

    中国AI视频生成模型全球领先

    中国企业在生成式AI视频领域已成为全球领导者,但在前沿语言模型上仍落后于美国。基于文本、图像和音频的视频生成与编辑模型在中国大量涌现。中国庞大的短视频生态和更宽松的版权规则,使其开发者在训练数据和分发上具备优势。

  4. arXiv · ML37

    SyncPro:实现主动流式视频理解的同步推理与响应

    论文提出 SyncPro,一种通过同步双流框架解决主动流式视频理解中推理与响应冲突的模型。该框架拥有独立的内部证据跟踪和响应分支,能并发处理证据更新与用户响应,避免固定间隔导致的延迟或无效更新。 实验在三个主动基准测试上验证,SyncPro 通过 189K 双流样本结合监督微调与轨迹级强化学习训练,实现了更优的响应时机和答案准确性。

  5. arXiv · AI26

    4DMemory: 长时空记忆基准测试与增强型智能体

    研究团队发布 4DMemoryBench 基准与 LongVideo 数据集,包含 900 小时视频及 5000+ 人工审核问题,用于评估长时空推理能力。 该基准测试了 13 个领先模型,发现独立模型在长时程任务中表现不佳,但引入包含 22+ 工具模型的 4DMemory Harness 后,所有模型性能提升超 50%。 旨在推动能解决复杂长时程任务的时空智能体发展。

  6. IT之家38

    Grok 发布 AI 版《奥德赛》前 7 分钟,外媒评缺乏艺术感染力

    Grok 放出与 Wonder Studios 联合制作的《奥德赛》前七分钟内容,并将其称作系列第一集。 该片段视觉效果优于马斯克近期发布的其他 AI 视频,部分场景接近真人实拍,但旁白冗长、台词生硬,被指缺乏叙事节奏与艺术感染力。 外媒 Techcrunch 评价称其无法与诺兰实景拍摄的诺兰版《奥德赛》相比,观众难以产生共情。

  7. TechCrunch · AI50

    Grok 发布首部 AI 生成《奥德赛》七分钟片段

    Grok 发布了 AI 生成电影《奥德赛》的七分钟片段,称其为“系列第一集”,该片段由 Wonder Studios 和导演 Dev Walker 合作制作。 片段包含全角色符合马斯克审批肤色及英式旁白,作者评价其缺乏艺术感与人类情感,画面虽逼真但叙事呆板。 与诺兰真人版相比,该 AI 版本缺乏节奏感和观众共鸣,作者对后续内容不抱期待。