AI 视频

ViTeX-Bench：高保真视频场景文本编辑基准测试

作者：陈兴浩、高翔波、余Jiongze|最近的视频生成越来越真实和可控，但视频编辑仍然不够发达，特别是对于必须保留原始场景动态的精确本地编辑。视频场景文本编辑替换场景表面上的文本，例如店面标志、白板和产品标签，同时保留周围的内容、运动和相机动态。虽然现场特

图像分类器是高效的自我监督视频表示学习者

作者：Owais Iqbal、Sudipta Sarkar、Shyam Marjit|我们引入VideoMSN，这是一个Masked Siamese Network框架，用于在视频中进行高效的自我监督时空表示学习。我们不再依赖重型3D架构或基于重建的自动编码器来使用未标记的数据进行学习，而是通过将视频表示为超级图像来重新利用标准图像Vision Transf

从海拉鲁到现实世界：视频模型如何理解「变化」

HiDream-O1-Video 的三场世界回应测试。 作者丨Reah 编辑丨李 娜 在《塞尔达传说：旷野之息》中，玩家点燃一片草地，火焰会沿着草叶蔓延，热空气随之升起。此时展开滑翔帆，林克便能借助上升气流离开地面。雷雨中装备金属武器可能招来闪电，降雨又会让攀爬变得困难。海拉鲁并没有追求照片级的视觉拟真，却通过一组稳定、可组合的规则，让玩家感受到一个世界正在

越大越强，不再是 LLM 的专利：PixVerse R2 攻克实时世界模型 Scaling 难题

AI 视频的下一战：谁能让世界保持运行 作者丨Reah 编辑丨李娜 岑峰 大语言模型已经用 Scaling 证明模型、数据和算力可以持续换来更强能力，必须一边生成、一边回应用户的实时世界模型，能不能也走上这样一条路？ 2026 年 1 月，爱诗科技提出“通用实时世界模型”这 一产品方向，并推出 R1。 目前，PixVerse R2 已全量上线 用户可以直接进

实测 Seedance 2.5 vs 可灵 3.0，谁能让我们无痛当上视频导演？

差距不只在画质，而在工作流。 作者丨 吴海明 编辑丨李娜 岑峰 《牛来》大概是今年国产电影里最意外的一次出圈，并不是因为一部低成本动画突然被推到台前，而是因为它把一个老问题重新摆到了创作者面前：当影像生产的门槛越来越低，真正决定一条视频能不能成立的，究竟是画质、预算，还是把想法稳定变成成片的能力？（雷峰网） AI 视频模型也走到了类似的节点。 过去，大家更关

英伟达研究人员推出Physis-Lang：自我进化的物理语言，使Cosmos 3超越Veo 3.1的物理基准

视频世界模型可以渲染令人信服的片段，但仍然打破了物理学。黄油像油漆一样蔓延。球穿过墙壁。来自英伟达、麻省理工学院和牛津大学的一个团队认为，修复可能来自语言本身，而不是来自额外的视觉、潜在或数字信号。他们的框架Physis-Lang将物理语言视为共享的、可优化的[.]文章NVIDIA研究人员在物理基准上介绍Physis-Lang：自我进化的物理语言，使Cosm

在 TPU 上加速视频扩散模型的时空注意力

📌 One-Sentence Summary Google 研究人员通过在 TPU 上实现稀疏时空注意力，优化了视频扩散模型并实现了显著的生成速度提升。 📝 Summary 本文技术文章详述了在 TPU 上使用 MaxText 框架复现和优化视频扩散模型的工程挑战。作者发现，随着分辨率增加，序列长度随之增长，自注意力机制成为视频生成的主要瓶颈。通过识别不同的

超越时间轴：用扎根的实体传记增强长视频记忆

作者：任慧、雷凡、包亨利|回答有关长视频的问题通常需要在数小时或数天内连接涉及相同对象的事件。按时间顺序描述和文本衍生的实体可能会导致物理身份未被解决：不同的对象可能共享描述，而对同一对象的观察在事件中保持脱节。因此，检索相关事件并不一定恢复“

观看Future Vision XPRIize的获奖预告片《The Gifted》。

PDMD：视频扩散模型的投影分布匹配蒸馏

作者：王少智、袁俊坤、王昂天|现代视频扩散模型需要对长时空标记序列进行数十次去噪评估。分布匹配蒸馏（DMZ）将功能评估（NFE）的数量减少到少数。然而，DMZ样本可能会在训练期间退化，表现出渐进性过饱和和伪影。我们将这种不稳定性追溯到批评者错误，这些错误会进入连续的学生更新

在SageMaker AI上使用vLLM-Omni生成图像和视频-第2部分

在Amazon SageMaker AI上从一个AWS vLLM-Omni深度学习容器部署两个生成媒体模型。使用FLUX.2-klein通过实时推理生成图像，然后使用Wan2.1-VACE通过异步推理将其动画化为视频，并从Amazon S3中检索MP4。

谷歌研究中心推出人工智能视频联合总监：4个清晰的框架，用于连贯、分钟长的视频生成

谷歌研究中心引入了一位人工智能视频联合总监，负责长格式视频生成。这套由4个代理框架组成的套件将短片段转化为连贯、长达几分钟的故事。它针对的是身份漂移和连锁错误，这是当今大多数多镜头人工智能视频管道中断的两种故障。为什么长人工智能视频分崩离析扩散模型在[.]中渲染高保真剪辑谷歌研究推出人工智能视频联合总监：4个连贯、分钟长视频生成的抽象框架首次出现在MarkT

我创建了一个自己的交互式数字化身-你可以与它交谈

在获得了一个互动化身并训练它来讨论风险欺诈后，我对制作我们自己的人工智能克隆感到复杂。

Runway 的 WorldPrompt 与实时世界的工程化

📌 One-Sentence Summary Anastasis Germanidis 来自 Way 讨论了从生成式视频到实时交互世界模型的演进，聚焦于延迟、误差累积和因果一致性的技术挑战。 📝 Summary 本文探讨了 Runway 向 GWM Worlds 2 的转变，这是一款用于实时交互模拟的研究预览。关键在于 WorldPrompt 功能，它允许在

介绍Gemini 3.8 Live with Live Avatar

基于AWS构建的详尽对话视频智能

了解如何使用代理架构在AWS上构建对话视频智能解决方案。单个Strands Agents SDK代理在运行时协调Amazon Bedrock、Amazon Rekognition和Amazon Transcribe，决定调用哪个服务，以便您可以询问有关视频的自然语言问题并在几秒钟内获得答案。

Google Beam与新地区、合作伙伴和客户一起扩张

Google Beam宣传动画

YouTube向Creator Studio添加了人工智能工具，包括脚本指导、智能缩略图和Gemini编辑

YouTube正在为其创作者工作室添加人工智能工具。一名讲故事的助理分析剧本和粗剪辑，Gemini成为Shorts的聊天编辑助理，一个新的实时翻译功能将英语流转换为西班牙语。YouTube文章将人工智能工具添加到Creator Studio，包括脚本指导、智能缩略图和Gemini编辑，首次出现在The Decoder上。

invideo如何使用GPT-6 Astra将色彩分级提高3倍

借助GPT-6 Astra，invideo可以更精确地规划编辑，将颜色纠正和分级提高三倍，并在一天内生成50个自定义效果。

实时世界模型进入“全科生”阶段，PixVerse R2先交卷！

实时性和通用能力，世界模型可以全都要