先把 VFM 语义特征自回归预测出来,再用扩散模型渲染像素,实现 7× 训练加速。
标签：
全部
强化学习
扩散模型
大语言模型
基准测试
视频生成
视觉语言模型
世界模型
GRPO
多模态大模型
多智能体系统
多模态学习
智能体
知识蒸馏
图像生成
代码生成
LLM智能体
注意力机制
LLM Agent
具身智能
流匹配
多模态大语言模型
视频理解
数学推理
检索增强生成
可解释性
图像编辑
多模态
机器人学习
机器人操作
工具使用
自监督学习
Transformer
基准评测
对比学习
长上下文
RLVR
多模态推理
计算机视觉
数据合成
LLM评估
信息检索
推理加速
3D重建
扩散语言模型
自回归模型
视觉推理
Flow Matching
RAG
参数高效微调
LoRA
视觉-语言-动作模型
模型压缩
自回归生成
视觉-语言模型
后训练
工具调用
持续学习
高效推理
RLHF
策略优化
用无条件反演破解文本到3D模型的'沉陷陷阱'难题
ByteDance Seed 团队发布的多模态音视频联合生成模型，在 T2V/I2V/R2V 三大任务六维评测中全面领先 Sora 2 Pro、Veo 3.1、Kling 3.0。
用结构化多维推理奖励替代标量打分，缓解奖励黑客并实现零参数测试时优化
LogC3 对齐扩散模型潜在空间，LoRA 微调实现 SDR→HDR 视频生成。
Lyra 2.0：可探索的生成式三维世界
👍 41单图生成长时3D一致视频并重建可交互3D场景
从朗之万视角重新审视扩散模型
👍 16用朗之万恒等映射统一扩散模型的VAE/score/flow三大视角
用块扩散草稿树加速投机解码
👍 8DDTree:从单次块扩散草稿的逐位分布构建最优草稿树,提升投机解码接受长度。
反向扩展视频生成器为基座，用统一流匹配统一视频生成与理解
提出推理时插拔式方法，通过交叉注意力路由实现多事件视频的精确时间控制，无需训练或架构修改
在导数空间用对抗目标训练连续流模型,仅10个epoch后训练即大幅降低FID
720p@40FPS 长程记忆交互世界模型，统一数据、模型与加速
基于 Focus-and-Refine 的区域化图像精修，在用户指定区域内恢复细节且严守背景不变。
循环Transformer+环内自蒸馏，单次训练实现任意时间推理，参数减少4倍。
用稀疏点轨迹的逐步自回归扩散，从单张图像生成上千种物理一致的开集未来预测，比视频生成快几个数量级。
用视觉语言联合推理自动生成相机轨迹，实现精准可控视频生成
NUMINA 是一个无需训练的文本到视频框架，通过挑选可分实例的注意力头构造可数布局，引导再生过程，使视频中的物体数量与提示数字精确对齐。
利用T2I一致风格映射，构建170K风格/400K内容的1.4M风格配对数据集。
用1.13M合成试穿三元组与精确尺寸标签，首次教会VTO模型“衣服合不合身”。
面向可形变物体操作的物理对齐真-仿-真数据合成管线。