首个面向自回归视频扩散模型的量化框架，用帧敏感度加权与自适应双尺度量化加速推理。

用MLLM在自身ViT嵌入空间做语义规划，解耦理解与扩散渲染，统一视频生成与编辑。

多智能体辩论+3D首帧接地，从一句话生成完整可播短剧。

首个多镜头音视频生成基准，含自适应混合评估框架与人类判断一致性达91.5%。

VideoRLVR框架用可验证奖励优化视频模型，提升规则验证任务的推理能力

KVPO:面向流式自回归视频生成,在ODE原生范式下做KV语义探索的偏好对齐

实时交互式人体服装视频定制，23.8 FPS 单卡推理

单步训练视频扩散GRPO，6倍加速且匹配全轨迹性能。

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。

RAVEN 通过重打包自展开轨迹并结合一致性模型策略优化，实现高质量实时自回归视频生成。

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

实时因果多镜头视频生成，支持动态提示与长程一致性

系统梳理世界模型在机器人策略学习、模拟器、视频生成与导航驾驶中的架构范式、功能角色与评测体系。

把视频生成评测重定义为世界状态预测,提供436个结构化推理用例与6K专家偏好对的诊断式基准。

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

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%。

把CoT推理与最终打分解耦的视频奖励模型,解决生成式奖励训练不稳定。

把奖励信号拆解到 rollout 与像素级，对 DMD 蒸馏做时空局部化加权。

首次把测试时 scaling 引入流式视频生成，三机制协同提升长视频时空一致性。