视觉与视频

北京大学团队发布 Open-o3-Video-v2，将视频问答从固定帧分析推进到主动检索、时空定位与证据驱动推理。模型不仅给出答案，还会记录支撑结论的时间点和目标区域。

FramePack-U提出一种无需训练的长视频帧压缩方案，将任意长度视频压缩到固定大小的视觉表示中。它结合文本相关性、多样性排序与多分辨率打包，试图突破视频理解中随时长增长的内存瓶颈。

QuadTok提出一种基于层次化四叉树的视觉Tokenizer，让图像中复杂区域获得更多表示容量，同时以更粗粒度编码平坦区域。该结构还为自回归图像生成提供了天然的空间组织方式。

长视频生成的关键难题不只是“记忆更多”，还包括从不断增长的历史中选出未来真正需要的信息。FrameMorrow通过预测未来信息需求，再反向筛选历史帧，为多种视频生成器提供了一种即插即用的记忆选择方案。

OneStreamer 是一个 4B 流式视频模型，试图同时解决视频理解中的实时感知、长期记忆与主动响应问题。它通过生成带时间信息的字幕和事件摘要，把已经离开视觉窗口的内容保存为可复用的事实记忆。

一项研究重新审视了自监督视觉预训练的数据输入方式：当模型只能按时间顺序观看连续视频时，传统方法会明显退化。研究者据此提出 StreamMAE，通过流感知正则化和运动偏置裁剪改善训练效果。

Meta 研究团队提出 FlashForward，通过复用视频扩散过程已经产生的在途 KV 缓存，减少专门用于更新缓存的额外前向计算。它进一步引入稀疏的干净锚点，在提升并行效率的同时缓解长视频中的外观与运动漂移。

VideoPhysEdit 将视频编辑从外观修改推进到物理反事实生成：先重建能复现原始运动的刚体场景，再模拟干预后的轨迹并指导视频生成。

一项针对文本生成视频模型的可解释性研究发现，早期去噪阶段的注意力机制会过早锁定运动区域。研究者据此提出按去噪步骤调整 RoPE 频率的方法，以改善生成视频的物理连贯性。

Vidu S2 将实时交互数字人、视频流编辑与空间视频生成整合到同一技术框架中。其重点不只是提高生成分辨率，而是让模型能够在视频进行过程中持续响应指令和参考内容变化。

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”。