跳到正文
10月21日周三
  1. arXiv · AI27

    基于关键帧锚定注意力与重标定时间 RoPE 的语义连贯生成式中间帧合成

    针对生成式中间帧合成中运动大、帧间不稳定及语义错位问题,该方法通过关键帧锚定注意力偏置(Keyframe-anchored Attention Bias)从关键帧和文本中获取语义与时间引导,并利用重标定时间 RoPE(Rescaled Temporal RoPE)增强自注意力对关键帧的关注以严格约束帧一致性。

  2. arXiv · AI25

    Code2Video-Compass:面向通用代码视频生成的基准评测

    该研究提出 Code2Video-Compass 基准,包含 2,104 个任务,覆盖 T2V、I2V 及 V2V 设置,用于评估代码生成视频。 其双层级评估框架结合 12 项客观指标与 5 项主观指标,测试了来自 9 个系列的 15 个 MLLM。 结果显示,随着构建、动态动画及状态依赖复杂度增加,领先模型在生成高质量视频时表现普遍下降。

  3. arXiv · AI23

    PI-MLLM: 基于心理物理学的多模态大语言模型用于奇怪治愈系视频情绪分析

    研究团队构建包含 12,000 个 5 秒剪辑的 OSVD 数据集,并提出 PI-MLLM 模型以分析奇怪治愈系视频(OSVs)。 该模型集成模态特定动态对齐(MSDA)与联盟制视听归因(CAVA),利用 Shapley 归因识别主导模态及视听证据的协同或冲突关系。 实验表明 PI-MLLM 提升了观众侧情绪预测及基于感官解释的质量,验证了物理感官线索对视频情绪分析的价值。

  4. 36氪40

    阅文将 DramaBuddy 升级为 OPC 一站式平台,开放版权库对接 AI 创作者

    阅文集团将 DramaBuddy 漫剧助手升级为 OPC 一站式平台,打通从 IP 授权到全球发行的全链路,服务超 5 万名创作者。 依托起点 200 余种流派的海量 IP 库,平台提供最高约 30% 算力补贴,旨在撮合适配创作者开发未改编 IP。 上半年阅文漫剧收入达 4.3 亿元,超 1500 位作家首次获得版权分成收入。

10月20日周二
  1. Hacker News AI37

    Show HN: 用户上传两张照片即可生成双人舞蹈视频的 AI 工具 A2O LITE

    用户上传两张照片即可生成双人舞蹈视频,工具名为 A2O LITE,基于固定 NEON 双人模板实现。 生成过程需三步:上传正脸清晰、无重滤镜的两人照片,保持固定双人 NEON 舞台模板,预览后渲染并下载。 支持 K-pop 编舞、TikTok 舞蹈挑战等更多双人固定模板,也可用于朋友、宠物或情侣照片。

  2. arXiv · ML32

    SpargeAttention2:通过混合 Top-k+Top-p 掩码与蒸馏微调实现可训练稀疏注意力

    SpargeAttention2 提出可训练稀疏注意力方法,结合混合 Top-k+Top-p 掩码与蒸馏目标,在视频扩散模型中实现 95% 注意力稀疏率和 16.2 倍加速,同时保持生成质量。 该方法优于现有无训练稀疏注意力方案,其混合掩码机制在高空稀疏率下更鲁棒,并解决了扩散损失微调中的局限性。

  3. arXiv · ML20

    RECAP:通过互惠稀疏注意力与分层缓存实现高效视频扩散

    RECAP 是一种无需训练的方法,通过互惠校正结合稀疏注意力与分层缓存,在 HunyuanVideo 720p 生成中实现 3.05 倍加速,且在保真度和推理速度上优于所有测试的直接组合方法。 其核心机制是利用缓存的密集细化校正稀疏估计中遗漏的交互,同时利用新的稀疏统计数据跟踪输入变化并调节校正老化。

  4. arXiv · ML26

    Video-EMem:面向长视频的紧凑型可复用记忆框架

    Video-EMem 提出可进化视频记忆框架,利用时间锚定感知观察组合紧凑文本与稀疏图像,提升长视频问答性能。 该框架通过独立反馈进化 Writer 与 Reader 工作流,在冻结底层模型条件下,相比未进化基线平均准确率提升 7.2%。 在三个长视频 QA 基准测试中,Video-EMem 将 Qwen3-VL-30B 的平均准确率提升 2.6%,且平均存储减少约 99.86%。

  5. The Decoder81

    Kling AI 发布 4.0 版本,支持立体声、多语言唇形同步及轻量级 Flash 模型

    Kling AI 发布 4.0 版本,分辨率与控制精度提升,单次可生成最长 30 秒视频,并接受最多 10 张关键帧图像。Omni Reference 系统升级,单次生成支持最多 15 个参考资产,包括图像、视频和元素。新增立体声音频和 10 多种语言的唇形同步功能。随主模型发布的 Flash 版本侧重速度与成本,支持 MCP 和 CLI 访问。

  6. AWS Machine Learning Blog36

    TwelveLabs Pegasus 1.5 已上线 Amazon Bedrock

    TwelveLabs Pegasus 1.5 在 Amazon Bedrock 上线,该视频语言模型支持单次分析长达 2 小时的视频并输出带时间戳的 JSON 元数据。 新增多模态提示、视频分段及实时处理功能,支持从 Amazon S3 URI 或 base64 字符串直接输入,无需预索引,数据保留在 AWS 边界内。

10月19日周一
  1. 豆包工作62

    豆包工作结合飞书搞定AI短片全流程的实践教程

    豆包工作结合飞书工作流,在一个对话框内完成AI短片的角色形象确认、分镜设计与Seedance 2.5视频生成。内容通过具体案例展示了如何利用多维表格与群聊无缝同步状态,从而减少工具切换,降低视频抽卡次数。

    推荐理由:演示了如何用飞书工作流串联角色、分镜和视频生成,展示了单一对话框提升团队视频协作效率的实践方法。

  2. IT之家36

    Arena 公布 2026 年第 42 周 AI 大模型周榜:国产模型多领域站稳中上游,kimi-k3-max 杀入代码榜前十

    Arena 平台发布 2026 年第 42 周盲测排名,国产模型稳定于中上游,kimi-k3-max 代码榜居第 10 名。 mimo-v2.6-pro 首次进入前端开发榜前 20,位列第 19;gemini-3.5-flash-medium 等新模型直接冲进综合榜前 30。 榜单反映用户主观偏好而非绝对能力,分差在误差范围内视为并列。

  3. IT之家48

    豆包刘星回应“国内超一半算力在造爽剧”:字节总算力中约10%用于视频生成模型

    针对国内超55%算力消耗于短剧与视频生成的数据,豆包公关负责人刘星发文称该信息不靠谱。 字节内部统计显示,公司总算力中仅约10%用于视频生成模型的训练和推理。 此回应旨在澄清视频生成模型的实际算力占比,纠正了市场对该领域算力消耗的高估。

10月18日周日
  1. IT之家35

    索尼新专利:AI 在 GPU 渲染完成前预测下一帧以减少游戏卡顿

    索尼申请一项专利,利用 AI 在 GPU 完成渲染前预测下一帧,解决帧生成带来的额外延迟并让画面更稳定。 该技术通过联合训练的编解码器将画面转为嵌入表示,并在渲染管线并行运行中,结合运动矢量和玩家手柄操作历史来预测下一帧,从而在正式渲染完成前将预测画面送显。

  2. 量子位86

    VAST开源实时世界模型EdenLive,单张消费级显卡720P下超24FPS生成

    VAST正式发布并开源实时世界模型EdenLive,在单张Nvidia RTX 5090上以720P分辨率实现超过24FPS的生成速度,端到端延迟达百毫秒级。该模型支持多种参考输入与画风指定,能将简化场景或视频实时渲染为精细画面,并同步开放了模型权重、推理代码及Game Prototype Turbo工具。

    推荐理由:VAST开源实时世界模型EdenLive,单卡RTX 5090下720P生成速度超24FPS,支持多种画风实时渲染。

  3. 机器之心78

    Murea-Pro 登顶 WBench 榜首,Murea Labs 发布 InWorld 技术报告

    Murea Labs 团队模型 Murea-Pro 在交互视频评测 WBench Full-289 中以 81.1 分排名第一,RTX PRO 6000 上实现 3.6 秒生成 5 秒视频的实时生成速度。该团队发布 Murea-InWorld 技术报告,介绍基于 Murea-Mind 与 Murea-Pro 双层架构的实时互动内容模型,支持持续多轮交互与状态记忆。

    推荐理由:原文展示了模型在WBench评测中登顶及实时生成速度,解释了双层架构如何支撑持续交互与记忆。