X-WAM：统一4D世界动作模型，联合预测多视角RGB-D视频与机器人动作

把视觉规划重构为单步图像编辑任务EAR，配合AMAZE基准系统评估前沿模型的推理能力。

RvR将图像精修重构为条件再生，移除编辑指令与像素一致性约束以拓宽修改空间。

用ELBO代理扩散模型似然，把GRPO嫁接到文生图后训练上，比MDP路线快2-3倍且SOTA。

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。

IAM 框架：联合生成身份相符的人体动作与 SMPL 体型参数

用语义进度函数量化并线性化视频中的语义变化节奏

用扩散先验增强神经表示，高效完成稀疏视角CT重建

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。