解耦可迁移动作与具身外观的跨具身视频生成，仅用未配对视频即可适配新机器人。

2.6B参数高效分钟级720p相机控制世界模型,单卡可部署

把相机诱导的 warp 塞进视频模型的原生历史通路，零样本激活相机跟随行为。

用域迁移适配器把视觉域（真实/合成）与控制信号解耦，让扩散模型在合成 3D 数据上学到 3D 一致性，同时保住真实感。

把多任务扩散RL的训练冲突与灾难遗忘统一在在线策略蒸馏框架下。

用流匹配矫正不可靠文本先验，用不确定性建模细化笔画，单步扩散实现毫秒级文本超分

潜码投到定半径超球面并改用 slerp 路径,ImageNet FID 大幅提升且无需改动扩散架构

通过分头混合压缩 KV 缓存，为自回归视频扩散提速 1.5–2.8 倍

用纯合成数据训练图层分解模型，验证其可行性、规模效应与分布平衡性

提出WAIM范式与DAWN模型,让世界预测与轨迹生成在隐空间中递归互炼。

非对称参数化流速度（数据全维、噪声低秩），实现像素空间 DiT 训练及潜空间→像素微调

L2P 丢弃 VAE、冻结 LDM 中间层，仅用 8 卡把潜在扩散先验高效迁移到像素空间。

DRoRAE融合ViT所有层级特征，大幅提升视觉分词器重建与生成质量

首个真实户外单视图重光照基准+物理引导自适应框架

统一框架下的高质量图像生成与精确图像编辑模型，支持长文本渲染、多语言排版和高分辨率照片级生成

把图像特征直接反投影回三维体素空间，让生成与输入像素严格一一对应，从根本上解决 image-to-3D 的保真度瓶颈。

首个面向电影级多镜头叙事与S2V生成的大规模数据集,配套视觉逻辑驱动的双轨评估基准与反复制粘贴新指标

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

提出 MV-Split 残差，把均值与中心化信号分开增益，稳住千层 DiT 训练。

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%。