两阶段对齐+双重一致性，无需训练实现无限帧长视频生成

通过缝合技术将像素空间奖励模型高效转移到噪声潜在空间，实现快速准确的扩散对齐

证明原生DiT加x-prediction在DINOv2表征空间即可达图像生成SOTA

通过显式建模Z-order遮挡关系，解决布局到图像生成中物体重叠区域的纹理混淆问题

结合文本与手绘火柴人/轨迹双条件，用扩散模型生成可控 3D 人体动作

把VLM训练成导演理解分镜创意意图，再统一控制信号注入视频生成

工具增强VLM智能体+统一视频DiT，解决视频编辑请求欠指定难题

用可控扩散模型联合生成城市卫星图与建筑能耗/高度图。

构建首个开源 100MP T2I 数据集，探索原生超高分辨率图像生成训练方案

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

DiHAL用几何特征定位扩散友好层，通过重建隐藏状态提升扩散语言模型性能

首个用自然语言同时控制多个实体的可交互视频世界模型，支持跨实体动作迁移与开放词汇

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。

用检查表引导的自训练规划器+VLM奖励驱动的工具编排器，解决抽象长程图像编辑难题

用潜空间整流流把变化检测重构为掩膜生成，刷新四项基准 SOTA。

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。