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。

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。

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。

提出原生离散扩散VLA模型，统一多模态理解与生成，实现机器人长视距精准控制

基于掩码离散扩散模型的单细胞转录组生成框架，实现细胞状态模拟和扰动响应预测

潜在空间几何引导的4D世界一致性视频生成框架

无需训练的单图像到城镇规模3D场景生成方法，通过扩展潜在空间和重叠块式流实现高保真度。

首个基于扩散模型的文本到raw图像生成框架，支持任意目标相机

首个基于掩码扩散的8B全模态统一模型，在单一架构中实现文本、图像、语音、视频的任意理解与生成

基于全景表示和预览-精炼两阶段设计的可控长视野全景视频生成框架

用扩散模型生成 50 万带 3D 网格标注的合成人体图像。

提出分层多尺度补丁transformer架构，将计算成本降低50%同时保持高质量生成

系统综述视频生成模型作为世界模拟器时的效率优化技术，涵盖建模范式、架构设计和推理算法三个维度。

通过在DiT的上下文空间中应用排斥力，在保持质量的同时显著提升文本到图像生成的多样性。

0.39B参数统一扩散模型，在手机端实现<1秒图文生成与编辑

大规模双手机动数据集与生成框架，支持精细手指协同与接触交互

通过提取VLM扩散模型中间层特征注入3D生成，实现背面语义可控

用扩散 Transformer 直接生成分割 mask，一步推理，达到 SOTA

通过连续情感标注和对称对比学习实现精细可控的面部表情编辑