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 视觉语言模型 世界模型 GRPO 多模态大模型 知识蒸馏 LLM智能体 多智能体系统 智能体 多模态学习 流匹配 具身智能 图像生成 基准评测 代码生成 LLM Agent 检索增强生成 注意力机制 机器人操作 多模态大语言模型 视频理解 可解释性 数学推理 图像编辑 多模态 机器人学习 RLVR 自监督学习 长上下文 后训练 Transformer 工具使用 对比学习 数据合成 视觉-语言-动作模型 推理加速 工具调用 LoRA 多模态推理 RAG 计算机视觉 LLM评估 信息检索 视觉推理 评测基准 高效推理 参数高效微调 扩散语言模型 自蒸馏 综述 Flow Matching 3D重建 模型压缩 自回归生成 持续学习 自回归模型
找到 323 条结果
相关性 | 日期

自梯度强制：原生长视频外推

👍 34

两阶段训练修复自生成历史KV缓存写入的梯度缺口，让5秒训练窗口外推到数分钟视频

Junhao Zhuang, Shiyi Zhang, Yuxuan Bian, Yaowei Li, Yawen Luo, Yijun Liu,... 2026-07-23
KV缓存 自回归扩散模型 视频生成 训练目标设计 长视频外推
✅ 已总结
详情 →

AlayaWorld：交互式长时程视频世界模型

👍 57

基于15B扩散Transformer的交互式长时程世界模型，蒸馏至4步实现低延迟生成

AlayaWorld Team, Kaipeng Zhang, Chuanhao Li, Yifan Zhan, Yongtao Ge,... 2026-07-22
3D记忆 世界模型 扩散Transformer 自回归生成 蒸馏加速
✅ 已总结
详情 →

基于可学习规划Token的电影级多镜头视频生成

👍 5

用可学习规划Token与分数旋转位置编码实现帧级可控多镜头视频生成

Su Guo, Guangce Liu, Haosen Yang, Jiepeng Wang, Cong Liu, Junqi Liu, Haibin... 2026-07-21
多镜头视频 扩散Transformer 旋转位置编码 电影级生成 视频生成
✅ 已总结
详情 →

视频 = 世界 + 事件流

👍 21

Wan-Streamer v0.3 将视频分解为世界与事件流，实现通用预训练可迁移的实时音视频交互。

Lianghua Huang, Zhi-Fan Wu, Yupeng Shi, Wei Wang, Mengyang Feng, Cheng Yu,... 2026-07-17
VLA 世界模型 多模态 实时音视觉 流式交互
✅ 已总结
详情 →

Motion4Motion：推理时的跨主体动作迁移

👍 10

首个无需训练、无需骨架先验的跨物种视频动作迁移框架

Ling-Hao Chen, Zixin Yin, Duomin Wang, Xianfang Zeng, Gang Yu 2026-07-14
动作迁移 扩散Transformer 注意力控制 视频生成 跨物种动画
✅ 已总结
详情 →

视频生成模型是通用视觉学习器

👍 78

利用预训练视频生成模型构建统一通用的多任务视觉感知框架

Letian Wang, Chuhan Zhang, Rishabh Kabra, Jasper Uijlings, Steven Waslander,... 2026-07-13
多任务学习 扩散模型 视觉-语言对齐 视频生成 通用视觉模型
✅ 已总结
详情 →

Vidu S1：实时交互式视频生成模型

👍 134

支持语音控制的实时交互式数字人物视频生成系统

Jintao Zhang, Kai Jiang, Jintao Chen, Xu Wang, Yang Luo, Yuji Wang, Dechuang... 2026-07-10
多模态学习 实时推理 数字人 视频生成 语音交互
✅ 已总结
详情 →

OpenCoF：通过视频生成学习推理

👍 23

构建OpenCoF-17K数据集，通过多样化时间监督和推理token机制提升视频生成模型的推理能力

Xinyan Chen, Ziyu Guo, Renrui Zhang, Dongzhi Jiang, Hongsheng Li 2026-07-10
Chain-of-Frame Diffusion Transformer 数据集构建 视觉推理 视频生成
✅ 已总结
详情 →