Prism：用於原生 2K 聯合影片音訊生成模型訓練的動態稀疏注意力
Prism 提出動態稀疏注意力框架，用於原生以 2K 訓練聯合影片音訊生成模型。框架按時空區域的視覺變化及音訊對影片的影響，動態調整區塊形狀和每個查詢的稀疏度。實驗顯示，相比全注意力，Prism 的訓練速度提升 2.5 倍，生成質素亦更高。
#影片
#影片
今日 0 條HuggingFace Daily Papers（社區熱門論文）AI 評分3737
Google ResearchAI 評分5151 Google Research 介紹長篇連貫影片生成研究與四套框架
Google Research 介紹 Co-Director、CANVAS、A²RD 和 VQQA 四套框架，聚焦長篇影片生成的多鏡頭敍事連貫性。它們分別涵蓋創意編排、視覺分鏡記憶、長時序分段生成及閉環提示詞優化，並以專項基準評估。AI video co-director 在 GenAD-Bench 取得 81.4 的峯值質量分數；各框架在相應測試中改善了敍事連貫性、角色持續性或影片品質。
Hugging Face BlogAI 評分5050 TimeScope：大型多模態模型能理解多長的影片？
Hugging Face Blog 介紹開源基準 TimeScope，評估視覺語言模型對 1 分鐘至 8 小時影片的理解能力。基準在長影片中插入約 5–10 秒短片，分別測試局部檢索、資訊綜合和細粒度時間感知。結果顯示模型表現會隨影片變長而下降；Gemini 2.5-Pro 是唯一在超過一小時影片上仍維持良好準確率的模型，而千問（Qwen）2.5-VL 在文字資訊綜合較強、細粒度動態辨識較弱。