跳到正文
10月8日週四
  1. HuggingFace Daily Papers(社區熱門論文)42

    RLHND: Video Foundation Models as Physically Grounded Hand Trackers for Robot Learning

    RLHND 利用影片基礎模型,從單目第一身影片同時估算手部姿態及觸覺資訊,支援機械人學習。模型以預訓練的 Cosmos 3 影片擴散模型為基礎,在多個姿態估算基準,以及接觸和力度估算方面達到最先進水平。研究亦展示了動作重定向及真實世界機械人實驗,程式碼將公開。

  2. IT之家63

    田柯宇進軍世界模型,初創公司估值達 2 億美元

    前字節跳動實習生田柯宇創辦世界模型初創公司,已融資近 3,000 萬美元,投後估值達 2 億美元;公司尚未公開名稱和產品。團隊稱其系統包含 20 萬個符號,用於協助模型處理影片。田柯宇稱,這種方法可把生成 1 秒影片的成本至少降至原來的十分之一,完整模型計劃於 2027 年正式發佈。

  3. IT之家36

    IT早報 1008:餘承東稱華為基本擺脱美國技術依賴;小米澎湃 OS4 全面兼容蘋果生態;21988 元起微軟 Surface Laptop Ultra 上架;2026 諾貝爾化學獎公佈...

    華為餘承東稱,華為自 2019 年以來克服多項困難,依靠芯片、鴻蒙操作系統及國內供應鏈等,基本擺脱對美國技術的依賴。小米宣佈澎湃 OS 4 全面兼容蘋果生態,支持重要信息雙向同步等功能。微軟 Surface Laptop Ultra 起價 21988 元,128GB 內存頂配售價 48388 元。

  4. 字節 Seed:Research Feed74

    SeedRealtime 發佈音訊與影片全雙工大模型,邁向全模態自然互動

    字節 Seed 正式推出 SeedRealtime 音訊與影片全雙工大模型,透過統一架構原生融合音訊、影片與文字,支援連續多模態資訊流上的即時互動。端到端人工評測結果顯示,相比級聯模型,SeedRealtime 的音訊與影片對話節奏問題減少一半,單次對話順暢、完整交流的機率亦明顯提升。

  5. HuggingFace Daily Papers(社區熱門論文)45

    WorldCast: Distributed Multiplayer World Models

    WorldCast 提出分散式多人世界模型,讓每名玩家使用本地用戶端生成影片及估算玩家狀態,協調共享環境中的多個視角。《Counter-Strike 2》實驗顯示,其玩家渲染速率較聯合生成方法提升逾一個數量級,並能維持整局遊戲的視覺一致性。各用戶端可即時運作,只交換玩家及場景狀態,無需集中式計算瓶頸。

10月7日週三
  1. 404 Media77

    亞利桑那州上訴法院裁定 AI 生成的受害者影片造成「過度情感影響」,要求重新考慮刑期

    亞利桑那州上訴法院裁定,一段在量刑聽證會播放的 AI 生成受害者影片造成「過度情感影響」,要求法官重新考慮被告刑期,但維持誤殺定罪。影片以 AI 生成 Christopher Pelkey 的形象,讓他表示原諒殺害他的 Gabriel Horcasitas;Pelkey 的姐姐 Stacey Wales 告訴 404 Media,她製作影片的目的就是影響法官。

    推薦理由:案件呈現 AI 生成的受害者陳述如何進入量刑程序,以及上訴法院如何評估影片對刑期裁量的情感影響。

  2. IT之家55

    AI 短劇爆紅:製作成本僅為真人短劇的 1/10,平均每 36 秒誕生 1 部

    2026 年 AI 短劇以僅為真人短劇 1/10 的製作成本登上各大平台榜單,真人短劇開機量同比下跌約 75%。紅果熱播榜前 20 名中,真人劇僅 1 部;一季度上線微短劇中 AI 佔比超 95%,平均每 36 秒便有一部新劇誕生。AI 角色表情僵硬、眼神空洞且缺乏情緒張力,劇情高度套路化,超九成製作方處於虧損。

  3. 虎嗅56

    製作成本下降、競爭門檻仍在,AI漫劇改變了甚麼?

    AI工具降低了漫劇把故事轉成畫面的成本與速度,但盈利門檻仍在,競爭重心轉向內容、發行及成本控制。DataEye統計,抖音端2026年上半年AI劇、漫劇新劇達22.19萬部,累計播放量約5157億次;其估算的400億元市場規模包含廣告消耗及資本投入,並非製作公司收入。文中以深圳一家設計公司製作11部、投入約20萬元而上線一個月僅獲幾百元為例,指出生成效率不等於作品符合觀看習慣或能收回成本。

  4. HuggingFace Daily Papers(社區熱門論文)44

    World Models' Last Exam in Physics

    World Models' Last Exam in Physics 提出一個以量度為基礎的影片世界模型基準,評估生成影片的物理一致性。基準涵蓋力學、光學、流體、熱與相變、電磁學及表面張力,共設 40 項受控任務;在 8 個影片生成模型的 1,280 段影片中,最佳模型總分為 57.76/100。評估器與人類判斷的一致性高於直接使用視覺語言模型的基線。

  5. 404 Media80

    亞利桑那上訴法院裁定 AI 生成的受害者影片造成不當情緒影響,要求重新考慮刑期

    亞利桑那上訴法院裁定,量刑時播放的 AI 生成受害者影片造成不當情緒影響,要求法官重新考慮刑期,但維持被告的誤殺罪裁決。影片由受害者姊姊撰寫台詞,透過 AI 生成的弟弟形象表達原諒;法院認為影片並非呈現真實事件,且對法官造成影響,令量刑程序不公。姊姊表示,若需重新量刑,她準備親自宣讀同一份台詞。

    推薦理由:裁決把生成式 AI 模擬死者發言與呈現真實事件的照片區分,並聚焦其對量刑公正的情緒影響,呈現法院處理 AI 內容的具體法律考量。

  6. HuggingFace Daily Papers(社區熱門論文)40

    Less from More: Reinforcing Sparse Video Reasoning from Dense References

    SAVER 提出由密集到稀疏的後訓練框架,以密集影片視角作為訓練參照,提升有限影格下的影片推理可靠性。模型只用 1,250 個隨機抽樣的時間定位例子訓練,無須影片問答標註。SAVER 在 3 個時間定位基準及 6 個影片問答基準上均有提升,使用大幅較少影格時仍可匹敵或超越密集影格 Qwen3.5 基線。

  7. HuggingFace Daily Papers(社區熱門論文)38

    VIS-Ground:影片互動敍事的上下文錨定方法

    VIS-Ground 提出影片互動生成的上下文錨定方法,把異質輸入情境轉化為可執行的影片生成約束模型。方法透過結構化情境抽象、生成約束推導及受約束影片生成,處理來源、影片目前狀態與觀眾新意圖之間的依賴。在三種影片生成骨幹上,VIS-Ground 的整體綜合分數均最高,較各骨幹最強基線平均提升 10.3 分。

  8. HuggingFace Daily Papers(社區熱門論文)31

    JoHan:影片條件式生成的 2D-3D 聯合手部動作復原

    JoHan 是一種可直接從影片序列復原手部動作的生成框架,會聯合生成對齊的 2D 和 3D 局部手部姿態序列,毋須依賴逐幀姿態預測。基準測試顯示,該方法提升局部手部姿態和相機空間重建的準確度與速度,生成的動作亦較以往方法平滑,同時保持較高的逐幀姿態準確度。

10月6日週二
  1. MarkTechPost62

    Reka 發佈 Rho-1 研究預覽版:19B 全模態推理模型可理解及生成影片並輸出機械人動作

    Reka 發佈 Rho-1 的研究預覽版,這款 19B 全模態推理模型以單一神經網絡理解及生成文字、圖像和影片,並對這些內容進行推理及輸出機械人動作。其兩條專家權重流共用 attention 和 KV cache;蒸餾版把去噪步數由 99 步減至 8 步,約 1 秒可生成 5.3 秒影片。Rho-1 目前僅提供研究預覽,尚無公開權重、API 或定價。

  2. ElevenLabs:Blog65

    ElevenLabs 在 ElevenCreative 推出 Flows Agent

    ElevenLabs 在 ElevenCreative 推出 Flows Agent,讓用戶以對話描述創作需求,由智能體建立、連接並執行工作流程。它會選擇合適模型、建立及連接節點,並在生成前確認影片長度、語氣和結構;啟用 Assist mode 後,高成本生成須經用戶確認。

  3. Black Forest Labs:Blog69

    FLUX 3 Video 第一部分:影片生成初始版本開放使用

    Black Forest Labs 已透過 BFL API 及指定合作夥伴開放 FLUX 3 Video 初始版本,支援文字及圖像生成影片。片段最長 20 秒,可輸出 HD(720p)及經升頻處理的 Full HD(1080p),並同步生成原生音訊,另支援影片延續、多鏡頭生成及多語言對白與唇形同步。內部評測稱其文字生成影片表現優於現有 SOTA,圖像生成影片則與 Seedance 2.0 持平。

  4. 字節 Seed:Research Feed78

    Seedance 2.5 正式發布,單次最長可生成 30 秒影片並支援多模態參考

    字節 Seed 正式發布新一代影片創作模型 Seedance 2.5,單次最長可生成 30 秒影片,並支援多輪延長、多模態參考及時間戳精準編輯。用戶單次最多可輸入 30 張圖片、10 段影片和 10 段音訊作參考,模型亦提升長影片連貫性及綠幕、視角和運鏡編輯能力。Seedance 2.5 正陸續於即夢 AI、豆包專業版上線,API 服務近期亦將上線火山方舟。

    推薦理由:Seedance 2.5 將單次影片生成時長提升至 30 秒,並支援多輪延長、多模態參考及時間戳編輯,呈現影片創作由片段輸出走向完整流程的能力變化。

  5. HuggingFace Daily Papers(社區熱門論文)41

    WorldSonus:為世界模型帶來聲音

    WorldSonus 提出面向世界模型的互動式影片轉音訊框架,可即時合成具空間定位的聲音。其串流因果自回歸擴散架構的即時因子(RTF)為 0.41,並以按音訊片段索引的提示詞排程,支援生成期間動態操控聲音事件。在開放領域影片轉音訊基準測試中,WorldSonus 的聲學質素及空間對齊表現匹敵或勝過當前最先進的雙向模型。

  6. HuggingFace Daily Papers(社區熱門論文)48

    MimicX: Policy-in-the-Loop Supervision Refinement for Video-Driven Humanoid Motion Tracking

    MimicX以策略閉環監督精煉方法,進行影片驅動的人形機械人動作追蹤。展示內容包括網球揮拍、足球顛球、舞蹈和功夫四種技能,以及碰撞場景中的森林穿越和樓梯攀登執行畫面。頁面亦展示影片至策略的循環、HLoop Kung Fu 和跑酷執行片段。

  7. HuggingFace Daily Papers(社區熱門論文)38

    SPW-Nav:用於語言指引導航的串流全景世界模型

    SPW-Nav 是一種串流全景世界模型,可理解移動指令,並以單張全景圖即時串流輸出一分鐘的 2K 360 度影片。研究團隊同時建立 SPW-NavSet,收錄全景影片、相機軌跡及經核實的指令。SPW-Nav 在相機跟隨準確度及影片質素方面優於先前的全景生成器,並支援即時切換指令。

10月5日週一
  1. HuggingFace Daily Papers(社區熱門論文)39

    MC-Sparse: Deconstructing and Closing the Dense-Sparse Attention Gap in Diffusion Transformers

    MC-Sparse 是一種免訓練的稀疏注意力框架,透過快取查詢分組、KV token 索引及稠密與稀疏注意力輸出的殘差,提升 Diffusion Transformer 長序列生成的速度與保真度。相較稠密注意力,它在 Minimax-H3-Base 上將去噪速度提升 1.80 倍,在 3D 資產生成上提升 2.32 倍,品質損失均可忽略。

  2. HuggingFace Daily Papers(社區熱門論文)41

    S2PD: Serial-to-Parallel Diffusion for Physically and Logically Consistent Video Generation

    S2PD 提出序列到並行擴散方法,先在高噪聲階段進行自回歸擴散,再於低噪聲階段切換至並行擴散,以提升影片生成對物理規律和符號規則的遵循能力。研究以從頭訓練的像素空間 diffusion transformer,以及透過 LoRA 微調並採用因果注意力改造的預訓練影片模型實作 S2PD。