视觉与视频

ShallowStream 将多模态大模型的浅层计算用于持续视频编码和检索索引构建，查询时再调用深层能力完成回答。在保持接近现有流式方法效果的同时，论文报告其单帧预填充延迟最高降低 52.1 倍，10 秒端到端延迟最高降低 11.9 倍。

一项发表于 arXiv 的研究提出 DM-Align，将视频生成模型的分布蒸馏与人类偏好对齐放进同一优化框架。该方法借鉴 DPO 与 GRPO，从样本分布差异中直接构造偏好梯度，以降低传统强化学习流程的计算与稳定性成本。

一项受控研究拆开考察了长视频多模态大模型中的选帧、空间压缩与预算再投资。结果显示，选对帧带来的收益最大，而压缩真正有效的前提，是把省下的Token换成更多观察时刻。

Google DeepMind为Gemini引入Agentic Video Understanding，使模型能够动态搜索视频片段，并按需调用画面、音频和字幕信息。官方称，该能力在部分基准上可将Token消耗降低最多88%，成本降低最多66%，准确率提升最多7%。

Luce 提出一种融合几何与 PBR 材质的多模态 Gaussian 表示，并通过统一的材质感知潜空间，从单张图片生成可重光照的 3D 资产。该方法在 Toys4K 上取得了优于现有基线的结果，并能输出可选的纹理网格。

高德发布流式3D重建模型ABot-Recon，以连续12帧局部画面为上下文，尝试解决长序列重建中的误差累积、速度下降和显存膨胀问题。官方称，该模型已在多个公开数据集上取得较优结果，并开放代码、权重和体验入口。

Google DeepMind 发布 Gemini Omni 1.1 Flash，新增场景延展、首尾帧控制、360p 快速预览和最高 4K 输出等能力，重点提升生成式视频的可控性与生产效率。

SparsePR提出一种无需再训练的稀疏注意力方案，通过响应耦合分区和探针拟合残差重建，降低视频Transformer的注意力计算成本。在四个视频生成与世界模型上，该方法以22.0%至26.0%的实际执行密度实现质量保持，并取得1.48至2.61倍端到端加速。

InfinityEdit 面向持续到来的视频流，尝试让模型在每个新片段中执行编辑指令，同时保持画面的时间连续性。它通过轻量级适配器连接历史帧、时间因果关系与编辑文本，为开放式视频编辑提供了一种新路径。

4DAnyone试图把未经标定的单目人物视频转化为多视角、跨时间一致的视频，再进一步重建4D人物。其关键在于用参考上下文压缩和目标视角路由，缓解视频扩散模型在多视角生成中的一致性瓶颈。

阿里视频生成模型 Wan 3.0 正式开启公测，最引人注意的是它不再只接收文字、图片或音频，还能直接读取 doc、ppt、pdf 等文档。对创作者来说，这意味着视频生成开始从“会画”走向“会讲”。

这项工作把“实时编辑”和“长视频一致性”放到同一套系统里解决。作者提出 JoyAI-Video-Edit，用自回归扩散、源锚定蒸馏和长程蒸馏，尝试在低延迟条件下保持画面忠实与时间连贯。

InfiniSplat 面向单图新视角合成，试图解决现有前馈式 3D Gaussian Splatting 在大视角变化下结构容易散乱的问题。它用几何引导采样和隐式高斯解码，将高斯表示从像素网格推向更贴近场景表面的布局。

Motion Beyond Morphology（MBM）提出一种新的运动迁移思路：不再要求参考对象与目标对象拥有固定结构对应，而是学习可跨形态保留的抽象运动。该方法面向同类、近类与远类对象的视频生成任务，强调运动一致性与目标外观保持。

一篇新论文提出 3DarkFusion，将极低照度下的噪声 RGB 与近红外信息放到 3D 空间中融合，无需干净 RGB 图像作为监督。其核心价值在于降低数据采集门槛，并提升不同噪声条件下的鲁棒性。

Meshy T2 试图绕开自回归网格生成的速度瓶颈，以 Flow Matching 和顶点级连续潜变量直接生成可用于 3D 流水线的多边形网格。

AI 视频创业公司 Pippa 试图用授权、署名页和收益分成来缓和艺术家与生成式 AI 之间的冲突。但它仍绕不开一个关键矛盾：底层模型依然部分建立在未经明确同意抓取的网络内容之上。

VideoCoCo 提出一种双引擎视频生成框架：先由智能体把文本提示转写为可执行 Blender 程序，再用生成式视频引擎把模拟草稿转成写实视频。它试图解决文本到视频模型在物理一致性上的短板。

O-VAD 提出一种免训练的工业视频异常检测框架，通过对象级分割、跟踪与状态轨迹推理，定位生产流程中的异常物体与异常过程。其核心观点是：前沿视觉语言模型在工业场景失灵，往往不是不会推理，而是缺少足够细的对象证据。

ID-V2V 聚焦“身份保持的视频重风格化”：只需编辑关键帧，就能把场景、光照和风格变化传播到整段视频，同时尽量保留人物长相、表情、视线和口型同步。

这篇论文关注条件视频生成在 3D 场景长程渲染中的一个关键痛点：镜头回到同一地点时，外观常常被重新生成得不一致。作者提出一种无需后训练的“闭环记忆”机制，利用 3D 引擎已有的位姿、深度与重投影信息提升重访一致性。