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。

用多奖励 Langevin 动力学 + 提示感知自适应策略，在推理时免训练、免反演地引导扩散/流匹配模型

实时单视频驱动的 4D 交互世界模型，24FPS 跑出 SOTA 相机控制。

Sol-RL 用 FP4 探索候选池，BF16 再生成关键样本，加速扩散 RL 4.64×。

首次从 token 空间视角解决深度压缩自编码器的表征坍缩问题

通过双流架构解耦相机与物体运动，并引入主动-被动因果推理，实现可前向/逆向推理的交互式视频生成。

首个用百万级野外视频原生训练的全身体3D扩散模型

统一框架直接生成人体试穿动画视频，解决身份漂移和服装失真问题

DISCO多模态扩散模型实现蛋白质序列-结构协同设计，无需预定义活性位点即可设计出新酶

提出空间编辑基准+50万条合成数据+16B模型，专攻物体平移/旋转与相机视角控制。

提出解耦运动注入和混合上下文集成，实现高质量组合人-环境视频生成

WAM vs VLA 系统鲁棒性对比研究

提出GateControl框架，通过门控机制在高效线性注意力模型上实现多类型可控图像生成

用合成光流替代合成视频，解耦运动与外观生成高动态视频。

用模块化桥接方案将前馈重建与扩散生成统一为协同框架，从稀疏无位姿图像恢复高保真三维网格。

把FlowEdit速度分解为保真项与引导项，仅缩放引导项即实现稳定滑块控制。

首个动作条件化的第一人称视频世界模型，融合人体姿态联合建模。