把视频生成评测重定义为世界状态预测,提供436个结构化推理用例与6K专家偏好对的诊断式基准。
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
LLM智能体
世界模型
视觉语言模型
GRPO
多模态大模型
知识蒸馏
基准评测
具身智能
流匹配
机器人操作
多智能体系统
智能体
LLM Agent
可解释性
图像生成
代码生成
多模态学习
检索增强生成
注意力机制
RLVR
后训练
视频理解
机器人学习
长上下文
多模态
数学推理
图像编辑
VLA
数据合成
多模态大语言模型
推理加速
高效推理
评测基准
自监督学习
工具调用
对比学习
扩散语言模型
视觉-语言-动作模型
参数高效微调
Transformer
工具使用
LoRA
持续学习
LLM评估
自蒸馏
多模态推理
RAG
模仿学习
综述
LLM推理
信息检索
信用分配
在线策略蒸馏
模型压缩
合成数据
级联运动/外观专家+BiMamba-Transformer，3D中间表示刷新音乐驱动舞蹈视频SOTA
用智能体闭环+多模态记忆+分层自改进，把分钟级长视频一致性提升30%、叙事连贯性提升20%。
把CoT推理与最终打分解耦的视频奖励模型,解决生成式奖励训练不稳定。
把奖励信号拆解到 rollout 与像素级，对 DMD 蒸馏做时空局部化加权。
首次把测试时 scaling 引入流式视频生成，三机制协同提升长视频时空一致性。
基于预测式潜空间的视频生成
👍 22提出预测式视频VAE，丢弃未来帧使潜空间捕获运动先验，提升34.42 FVD并加速收敛52%
首个统一评估交互式世界模型的基准，提出动作生成框架，跨4.9K任务对14个模型做九维评测。
基于视频扩散先验的统一框架，单模型支持15种像素对齐任务的文本/视频间多模态生成。
用第三人称视频生成作为中间表征，把任务指令转化为可执行的人形机器人行为，无需任务专属数据采集。
用物理属性图+VLM反馈把可控物理合成注入视频扩散模型
用多智能体+多臂老虎机把抽象创意转化为连贯广告视频
面向视频生成的系统化后训练框架
👍 1四阶段流水线（SFT+GRPO+提示增强+自回归蒸馏）弥合视频扩散模型预训练与部署差距。
DeFI：将视频预测与动作推理解耦预训练，再端到端融合实现高效通用机器人策略。
通过语义进度函数进行视频分析与生成
👍 58用语义进度函数量化并线性化视频中的语义变化节奏
为交互式视频世界模型提供标准化场景、统一动作接口与多维评估工具
看见快与慢：学习视频中的时间流
👍 19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
双流协同+人类感知MoE在DiT中嵌入交互几何先验，零推理开销实现HOI视频生成
面向自回归视频生成的推测解码方法
👍 11用图像质量路由实现视频扩散的推测解码，1.59×加速保98%质量
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。