跳到正文
10月5日週一
  1. HuggingFace Daily Papers(社區熱門論文)33

    VepAgent: Bridging Causal-Transition via Tool-Augmented Reinforcement Learning for Video Event Prediction

    VepAgent 結合因果轉移推理與工具增強式強化學習,用於影片事件預測,並在 FutureBench 和 NEPBench 上達到最先進水平,表現優於更大型的 MLLM。研究以 futurebench-4K 建立監督式微調數據集,並加入狀態追蹤、畫面檢索及區域放大工具,補回時空證據。複合式獎勵機制則共同最佳化預測準確度、因果連貫性及可靠先驗。

  2. HuggingFace Daily Papers(社區熱門論文)46

    DeCoPrune: Efficient KV-Cache Pruning for Autoregressive Video Diffusion via Denoising Consistency

    DeCoPrune 是一種免訓練方法,利用去噪一致性衡量 token 的保留價值,以剪枝自回歸影片擴散模型的 KV cache。研究以包含 58 段情境和 116 項延續任務的 CMBench 評估長程資訊保留能力。LingBot World v2 的實驗顯示,DeCoPrune 剪除超過 85% 的歷史 KV tokens,仍保留接近 FullKV 的長程回憶能力,並令延續生成加速超過 4 倍。

10月4日週日
  1. HuggingFace Daily Papers(社區熱門論文)37

    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。

10月3日週六
  1. IT之家22

    明基推出 AK900ST、AK800ST 室內高爾夫投影機

    明基(BenQ)推出面向室內高爾夫的 AK900ST、AK800ST 投影機,支援 4K UHD,亮度最高可達 6000 ANSI 流明,色域覆蓋 97% Rec.709。兩款機型支援高爾夫模式 2.0,並採用基於影格的 AI 影片處理技術,針對高爾夫優化色彩、對比度和細節。

  2. Meta AI:Research Blog76

    Meta 發佈 Muse Image 並預覽 Muse Video

    Meta 發佈 Muse Image,並預覽 Muse Video;兩者均為 Meta Superintelligence Labs 開發的媒體生成模型。Muse Image 可調用網絡搜尋和編碼工具、自我修訂,並支援精準編輯與多參考圖像構圖;Meta 稱增加推理時計算可提升生成質素。

    推薦理由:文中比較 Muse Image 的推理時計算策略,指出把資源投入刻意推理比 Best-of-N 更能持續提升圖像品質,工具調用亦可補足單靠推理的不足。

  3. MiniMax:Blog68

    MiniMax 發佈 H3 多模態生成模型,支援原生立體聲 2K 影片生成

    MiniMax 發佈 H3 通用多模態生成模型,可理解文字、圖像、影片與音訊的統一上下文,並生成最長 15 秒、2K 解析度的原生立體聲影片。H3 預設提供 2K 輸出,官方表示其 2K 每秒價格低於主流模型的三分之一,並計劃在未來幾天內於適用法律法規範圍內開放模型權重。模型面向廣告、品牌、電商等創作場景,MiniMax 表示完整技術報告將於稍後分享。

10月2日週五
  1. HuggingFace Daily Papers(社區熱門論文)36

    DuoMatching: Joint-Marginal Distribution Matching for Few-Step Video Generation

    DuoMatching 提出一種用於少步影片生成的分佈匹配框架,旨在改善視覺質素、構圖及語義對齊,同時大致保留動態效果。框架加入來自圖像生成器的逐影格監督,並以 LatentBridge 處理影片學生模型與圖像教師模型的潛在表示差異,以 Latent Variation Sampling 將監督分配至不同時間片段。人類評估中,DuoMatching 相對所有受評基線的整體偏好率均高於 80%。

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

    In-Distribution Forcing for Long Video Generation at Test Time

    In-Distribution Forcing(ID-Forcing)提出一種測試時框架,讓短時程影片模型延伸至分鐘級影片生成。其 self-caching 機制令每個片段在不讀取先前 KV 條目的情況下快取,使滾動窗口維持在訓練分佈內;評估顯示,該方法在標準影片生成基準上具競爭力,並在減輕漂移方面勝過先前方法。

10月1日週四
  1. HuggingFace Daily Papers(社區熱門論文)51

    DMAD:以對抗蒸餾進行分佈匹配,實現快速視覺生成

    論文提出 DMAD,以判別器分類方式進行分佈匹配蒸餾,直接學習對數密度比,省去輔助分數擬合。在 ImageNet-64x64 上,DMAD 一步生成的 FID 為 1.04;四步 SDXL 在 COCO-10K 的 FID 為 14.47,四步 Wan2.1-T2V-14B 的 VBench 總分為 85.15,均為文中比較的少步方法及多步教師模型中的最佳成績。

  2. Runway:News(網頁)65

    Runway 推出 Runway Ads,自動化付費廣告素材生成與優化

    Runway 宣佈推出 Runway Ads,這款新產品可端到端處理付費廣告素材的生成、發布和優化。連接廣告帳戶和品牌套件後,Runway Ads 會生成影片及圖片廣告,把經批准的版本發布至 Meta、Google 和 TikTok,再根據平台成效生成下一輪;人手審批預設開啟,並支援素材本地化和尺寸調整。

  3. Comfy Blog68

    Comfy API 正式上線,讓 ComfyUI 工作流部署為可自動擴縮的 API 端點

    Comfy API 正式向所有付費 Comfy 方案用戶開放,讓他們把 ComfyUI 工作流部署為可自動擴縮的 API 端點。Builder 會識別工作流所需的模型和自訂節點,Build 則會封裝 ComfyUI 版本、模型、自訂節點及 Python 相依項目。不可變版本部署後,環境會與測試時一致;更新 Build 並推出新版本,也不會更改現有線上版本。

  4. Runway:News(網頁)54

    Runway 宣佈 Praxis-1 開放權重世界動作模型

    Runway 宣佈 Praxis-1,這是其首個開放權重世界動作模型,採用通用世界模型的大規模影片預訓練,並計劃在未來數月公開發布。Noble Machines、Standard Bots 和 Ultra 正在各自硬件上測試該模型,Runway 亦會在不同機械人形態及環境中評估效能與安全性。

9月30日週三
  1. HuggingFace Daily Papers(社區熱門論文)35

    SoftPaint:以軟遮罩調節圖像與影片的像素級編輯強度

    SoftPaint 是一種零樣本擴散取樣方法,利用軟遮罩按像素調節編輯強度,令內容可由完整保留至遮罩區域完全重新生成。方法採用基於 Langevin 迭代的取樣器,遵循每個像素的軟遮罩強度,適用於圖像及影片擴散模型。它毋須梯度、節省記憶體,並可在多種圖像及影片骨幹模型上實現平滑的像素級編輯。

9月29日週二
  1. Runway:News(網頁)49

    World Juggling Federation 如何為電視轉播填補空座位

    World Juggling Federation 創辦人 Jason Garfield 使用 Runway 為電視競技節目補上空座位人羣、重建所需鏡頭素材及製作節目圖像。他以 Aleph 2.0 在原有片段中加入觀眾,並以多步圖像生成和單次影片生成製作選手卡、排行榜及比賽圖像。約一小時的特輯由他一人製作,他計劃沿用成功生成的圖像,並繼續以 Runway 製作排行榜和計分圖像。

  2. Runway:News(網頁)46

    Bonjour 如何藉助 Runway 將一份腳本轉化為多種廣告風格

    Bonjour 利用 Runway 將同一份腳本製作成多種動畫廣告風格,並把不同版本投放至 Meta Ads Manager 測試。動畫版本可在 24 至 48 小時內完成,從腳本到判斷哪種風格有效約需 4 至 5 天;團隊使用 Runway 製作了超過 500 種影片及圖片版本,並重新調配了原本用於外判製作的逾 €50,000。

  3. elsewhere:文章74

    Manus 2.0 正式發佈,文章回顧 63 項重大更新

    Manus 正式發佈 Manus 2.0,推出面向個人生活場景的智能助理 Cue,並以自研 Cascade 框架按需載入專業能力,大幅降低 Token 消耗。更新亦加入事件觸發的自動化任務、可獨立購買的雲電腦及影片編輯,桌面端升級為 Manus Studio;Cue 是獨立應用,每個 Agent 均有自己的電郵、電話號碼、錢包和電腦。

  4. HuggingFace Daily Papers(社區熱門論文)33

    PhyProbe:重新思考生成影片的物理一致性評估

    研究提出 PhyProbe 評估器,從凍結的預訓練時空編碼器提取特徵,輸出生成影片的物理一致性違規分數。評估器以成對排序、雜訊標量標註回歸及錨點校準的統一目標訓練。在多數成對基準上,PhyProbe 勝過先前方法,尤其在無對應及生成影片互相比較的設定下提升最大;評分與人類判斷高度相關,並校準至穩定的 [0, 1] 範圍。

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

    Video-RSI: Recursive Self-Improvement of Video Understanding Agents via Harness Evolution

    Video-RSI 透過執行框架演進,讓影片理解智能體在不更新模型權重的情況下遞迴自我改進。智能體可重新檢視訓練影片、收集視覺、轉錄及 OCR 證據,並據此修改提示詞、工具、記憶和執行邏輯。評測基準結果顯示,演進後的執行框架提升準確度,同時處理較少影格;團隊亦釋出推理與評測程式碼及相關執行框架。

  6. HuggingFace Daily Papers(社區熱門論文)42

    LongTake: Learning to Sustain Dynamics in Long-Horizon Video Generation

    LongTake 提出兩階段訓練流程,透過長時域教師強制訓練自回歸影片擴散模型,以改善長時域生成中的場景動態延續與畫質。相同的五秒 DMD 訓練設定下,這種初始化在 30 秒生成中比短時域教師強制初始化呈現更高的動態程度,且美感品質相若;Hybrid DMD 在 30 秒及 60 秒生成中均取得受評方法中的最高動態程度。

9月28日週一
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI67

    OpenMOSS 發佈 MOSS-VL 開放權重影片理解模型系列

    OpenMOSS 發佈 MOSS-VL 開放權重影片理解模型系列,涵蓋連續影片即時互動、離線理解及後續訓練三類用途。系列包括 MOSS-VL-Realtime、MOSS-VL-Instruct-0708 和 MOSS-VL-Base-0708,分別面向即時互動、離線任務,以及持續預訓練和微調。三款模型均為 11B 參數,支援 256K 上下文窗口;倉庫亦提供即時與離線推理、部署和微調資源。

9月25日週五
  1. Google Research51

    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。

9月24日週四
9月23日週三
9月21日週一
9月18日週五
  1. vLLM 官方博客58

    PyNvVideoCodec 與 vLLM 以硬件解碼提升多 GPU 影片字幕生成吞吐量

    vLLM 整合 PyNvVideoCodec,支援使用 NVIDIA GPU 解碼影片,將影片解碼工作從 CPU 移走,以擴展多 GPU 影片字幕生成吞吐量。在 8 張 H100 的測試中,GPU 解碼吞吐量比 CPU 解碼高逾一倍,且大型負載的 CPU 瓶頸消除。PyNvVideoCodec 已包含於標準 CUDA 版 vLLM;自訂安裝需加入 PyNvVideoCodec==2.0.4。

  2. Descript 官方產品更新58

    Descript 9月17日產品更新加入字幕動畫、AI 音訊生成及多種付款方式

    Descript 於 9 月 17 日發布一輪產品更新,新增字幕預設與文字動畫、按需生成背景音樂和音效,以及多種付款方式。字幕新增 18 款預設和 10 款文字動畫(共 15 款);生成音樂或音效需更新至 145.0.15 或更新版本,亦可用 AI 聲音替換錄音並從 ElevenLabs 語音庫選聲。

9月16日週三
  1. Runway:News(網頁)40

    Runway 即時影片生成如何進行即時內容審核

    Runway 為即時影片生成設計並測試了同步審核系統,模型生成畫面時會同步送交審核,發現有問題的內容便會停止串流。系統採用 Zentropi 的 CoPE-B,建基於 Gemma-4-26B-A4B-it 的 LoRA adapter,每次推理啟用 3.8B 參數;安全審核目前平均耗時少於 0.5 秒。影片可供下載或分享前,Runway 仍會進行最終安全檢查。