针对反演无关视频编辑中编辑信号的不稳定问题，提出训练免费的 SAR 与 AMM 双锚定机制。

把时间做成可学习概念，教会模型感知并按指定播放速度生成视频

用 4D 点云做视频重拍，稳健控制新相机轨迹并保持场景动态

无需微调，借分块反演与NDCFG++让扩散模型实现4K高分辨率文本引导编辑

CoReDi：让语义投影与扩散模型联合训练，稳定共演化提升生成质量。

在同一架构中联合训练图像生成与伪造检测，让两者互为老师、学生并协同进化。

用可学习query token对齐MLLM与扩散模型的低成本统一多模态生成框架

图像优先解耦外观与时序，用FLUX图像先验+Wan免训练精修实现姿态与视角可控的人体视频生成。

阿里拍立淘团队提出工业级虚拟试穿系统，统一 MMDiT 架构支持多参考图多品类，3.92s 出图、整体质量超越 GPT-Image-2、Seedream 等闭源模型。

统一推理与生成的自动摄影图像编辑框架

Mesh Head 桥接 BAGEL 与 Hunyuan3D，实现零样本文本驱动 3D 生成与编辑。

用VLM奖励+Flow-GRPO后训练，让图像编辑更贴合人类审美。

首次将GRPO引入均匀离散扩散，通过将最终干净样本作为动作并用前向过程重构轨迹，解决训练崩溃。

面向多智能体多视角的可扩展视频世界建模框架

指出 DPM 反向去噪样本的 SNR 始终低于前向样本，提出免训练的小波域差分校正方法 DCW。

基于5000+众包鼠标追踪数据，7支队伍用大模型视频主干角逐视频显著性预测SOTA。

首个显式建模语音token层级先验的离散扩散VTS模型。

腾讯混元开源的统一 3D 世界模型，将全景生成、轨迹规划、视频扩展、几何重建融合为单条流水线

用扩散生成器采样轨迹、RL判别器在低维打分，再配BEV特征级仿真，把闭环规划的安全性提升56%。

首个把HOI生成与编辑统一在单一DiT中的框架,首次实现多交互编辑。