DeOverlay 提出基于源锚定流匹配和可见性归一化时序聚合的视频遮挡物去除方法，可在源信息被遮挡时仍恢复底层场景结构。配套 DVTE-Bench 包含 1631 对视频、覆盖 8 类文字遮挡，实验显示 DeOverlay 在 5 项重建与感知指标上优于 4 个基线，Mask LPIPS 和 Mask VFID 相对最强基线分别下降 58.3% 和 70.3%。
推荐理由：原文提供了新方法和 DVTE-Bench 基准，同时给出相对四项基线的量化结果，便于和已有视频去遮挡方案横向对比。
Manga2Animate 提出一个多智能体框架，把漫画改编为动画的过程拆成动画脚本和视觉分镜两个中间表示，分别由创作智能体生成、由评审智能体对照原画面把关，再合成最终动画。作者针对两类表示设计筛选与双层反馈逐步迭代；实验与用户研究显示其结果在忠于原作和跨镜头一致性上优于当前最佳方法。项目页：annchenn.github.io/Manga2Animate
推荐理由：指出直喂分镜页和仅靠文本这两条已有路线的局限，给出创作评审双智能体配合中间表示这一可迁移方案。
阅文宣布将 DramaBuddy 漫剧助手升级为 OPC 一站式平台，连接起点 IP 库、AI 制作、全球发行与全链开发。平台上线“生态市场”，覆盖接单、合作试稿和爆款剧本，并向达到制作能力要求的个人创作者或工作室开放版权合作；目前已服务 400 多家工作室和 5 万多位创作者。阅文上半年短剧和漫剧收入为 4.3 亿元，是去年同期 3 倍多，已有 660 部漫剧播放破千万、107 部破亿。
推荐理由：原文用收入、版权储备和 OPC 产能数据，拆解阅文将 IP、AI 制作与发行渠道撮合的具体商业路径。
ScaleNav 提出统一的世界—动作框架，利用互联网第一视角视频学习目标导向视觉动态，并据此生成语言条件局部导航所需的机器人动作。训练分为指令条件视频预训练、使用带动作标签的仿真数据进行动作对齐，以及联合微调三个阶段。
推荐理由：论文把互联网第一视角视频预训练、仿真动作对齐与联合微调串成三阶段流程，并给出仿真基准及真实四足机器人部署结果。
智象元一联合创始人兼 COO 王科在云栖大会表示，AI 视频生成正从“能用”转向“好用”，未来 1—2 年竞争核心将从模型能力比拼转向工作流闭环与交付成功率。
推荐理由：文章从智象元一 COO 的视角梳理了 AI 视频生成从画质比拼走向交付能力的拐点，并解释了模型与智能体协同如何缩短技术到产品的路径。
研究团队提出 StreamEval，用于统一评测交互式流式视频生成模型在五类任务中的表现。它覆盖 avatar dialogue、avatar performance。
推荐理由：StreamEval通过五类任务和统一指标比较37个模型，呈现视觉质量与请求执行、状态一致性之间的差异。
Code2Video-Compass 是覆盖 T2V、I2V 和 V2V 的通用代码式视频生成基准，要求 MLLM 将视觉与时间需求转为可执行程序。它包含 2,104 个任务，覆盖 10 个类别、24 个子类型及构造、动态动画和状态依赖 3 个复杂度维度，并结合 12 项客观指标与 5 项主观指标评分。
推荐理由：该基准用统一任务和双层指标覆盖三类视频输入，便于比较不同 MLLM 在复杂、状态依赖任务中的生成与对齐表现。
Kling AI 发布 4.0 视频生成模型，单次最长可生成 30 秒视频，提示词上限 8000 tokens，Omni Reference 系统支持最多 15 个参考素材；版本同时加入立体声与 10 余种语言口型同步，并推出 720p、最长 20 秒的轻量版 Flash，开放 MCP 与 CLI 调用。
同一件事，精选收录的是《可灵AI上线Kling 4.0视频模型：支持30秒原生生成与10-bit HDR》
深兰科技旗下深视星影发布自研影视智能体操作系统 DFAgent，由 JEV System One 决策中枢、DeepBlue Film Model 影视大模型和全球化内容数据飞轮三部分构成，定位院线长片全链条 AI 基础设施。
推荐理由：把 Agent 系统拆成决策中枢、影视大模型和数据飞轮三层，并配以多岗位 AI 剧组，给出了 Agent 落地影视制作的一种具体形态。
钛媒体专栏作者指出，近期 AI 短剧中角色频繁出现"面色一红"等机械化反应，暴露出模型在表达复杂情绪上的局限。原因在于 AI 自动写脚本时，"脸一红""俏脸微红"是网文里最高频的情绪标记词，模型倾向挑最顺手的下一句直接采用；同时 AI 只渲染出可见的"红脸"外观，无法区分羞、恼、窘迫、伤心等不同含义，作者将此概括为"AI 不动情"现象。
推荐理由：文章借讨封比喻指出，AI 剧角色反复出现的可疑脸红等机械反应，揭示了当前生成模型尚难处理人类复杂情绪表达的能力边界。
论文提出 StreamingSwap，一种基于流匹配的实时视频换脸框架，在单张 NVIDIA RTX 4090 GPU 上实现稳定 20 FPS 生成。
推荐理由：论文将身份重建损失、空间 token 缩减和短上下文训练组合到实时换脸流程中，并报告单卡 RTX 4090 上稳定 20 FPS、最长 10 分钟视频的实验结果。
SpecKCast 提出无需训练的扩散模型推理加速方法，以 2D DCT 分解输出，并用逐频带 Kalman 滤波和自适应步长调度预测跳步结果。在 FLUX.1-dev、Qwen-Image、Wan2.1-14B 和 HunyuanVideo 上，该方法最高实现 6x 加速，额外内存低于 0.05 GiB，较现有缓存和预测方法呈现更好的加速与保真度权衡。
推荐理由：论文将频域分带 Kalman 预测与不确定性触发的自适应跳步结合，为扩散模型缓存优化提供了一种可迁移的方法。
VAST 开源实时世界模型 EdenLive，5B 模型在单张 RTX 5090、720P 条件下生成速度超过 24FPS，端到端延迟为百毫秒级，支持任意参考输入、任意画风和分钟级连续生成。
推荐理由：原文给出了单卡 720P 超 24FPS 与百毫秒级端到端延迟的具体数据，并拆解了世界状态与视觉渲染解耦的技术路线，便于读者评估实时世界模型的可用边界。
2026年10月，腾讯在微信生态内上线短剧小程序绿泡泡，不做独立 App、主打免费短剧。文章将其与红果短剧（2026年日活1.68亿、人均单日125分钟）和混元视频生成模型放在同一框架下分析，指出短剧生产环节 AI 渗透率已超90%。灰度测试期间，AI仿真人短剧《影后芽芽》3天播放量破数亿、广告收入达数百万元，被视为混元视频模型的商业化落地场景之一。
推荐理由：文章把腾讯在微信内做短剧与其混元视频模型和整体 AI 战略放在同一框架下分析，给出了与红果短剧的对比视角。
作者提出 Painting Change Map，一种用于控制艺术创作视频生成的时空引导机制，在 1,000 步时间轴上跟踪局部结构变化并将视觉差异编码到 RGB 空间，可分别对正向绘制和逆向擦除过程进行细粒度引导。论文在基准对比中超过现有控制方法，并在 oracle 条件下显著领先全部基线，代码已在 GitHub 开源。
推荐理由：论文提出新的时空控制信号并开源了代码，相关方向的读者可以据此复现并扩展到自己的视频生成管线。
TCoVP 提出一种时空锚定的视频推理链，将实体与带时间戳的空间证据关联，用于定位隐式描述的目标并预测其像素级掩码轨迹。该方法按时间顺序组织查询相关观察，把语言与实体引用交织在推理链中，选中的目标基元再提供框提示和时间支持。
推荐理由：TCoVP 按时间顺序串联实体、时间戳与跨帧空间证据，展示了在视频分割中显式连接语言推理与视觉证据的方法。
可灵 AI 视频生成模型 Kling 4.0 于 10 月 15 日深夜全量上线，支持 4K 与 1080p 10-bit HDR 输出，单次输入最多 10 张图片、5 段视频及 7 个主体，可生成长达 30 秒视频并接入 MCP/CLI。
钛媒体分析指出，字节系近期收拢AI视频业务，小云雀与即梦部分团队10月传出合并，剪映在9月推出Hub一站式创作工作台，无限画布加多轨道编辑器正面对标LibTV和Flova的产品架构；剪映助手Agent则覆盖分镜、剪辑和字幕等环节。
推荐理由：对比生数、爱诗、Flova等独立AI视频厂商与字节系的价格、工具和分发组合，可看出应用层夹击下的应对空间。
Elorian 发布首个模型 Glimpse，主打在推理过程中持续回到图像本身做裁切、取帧和执行代码，官方称这一机制为视觉草稿空间。该模型作为研究预览开放 API，聊天界面需申请使用，按官方评测在科学图表推理和短视频描述上结果优于 GPT-6 Astra，输入价格 $0.60/M tokens、输出 $3/M tokens。
推荐理由：原文给出 Glimpse 的视觉草稿空间机制以及与 GPT-6 Astra 等模型的对比数据，便于理解视觉推理与传统多模态模型的差别。
昆仑万维发布视频生成游戏模型Matrix-Game 4.0并开源项目代码与模型权重，创始人周亚辉署名技术报告同步推出。该模型采用游戏引擎与视频生成模型协同架构，在单张NVIDIA RTX 5090消费级显卡上可实现480p分辨率、60 FPS的实时游戏体验，操作至画面响应的端到端延迟低于150毫秒，相关资源已在GitHub和Hugging Face开放。
同一件事，精选收录的是《昆仑万维发布全球首款消费级显卡视频大模型游戏Matrix-Game 4.0，同步开源》
Velox 提出一种无需训练的注意力路由方法，通过几何视锥块匹配为长视频扩散生成筛选历史 KV 缓存，保留视觉连贯性。在 chunk 48 时，注意力加速 4.36 倍，去噪加速 2.43 倍；在 158 例 WBench navigation 划分上，与稠密 LingBot-Fast-Cam 的平均分差仅 0.15 个 API-free 点。
推荐理由：论文给出了无需训练的注意力路由方案，以及在 WBench 上的速度与画质数字，便于横向比较长视频生成的工程取舍。
RPO（Routing Policy Optimization）把注意力路由作为随机探索动作引入扩散生成器，使其在不改变原始确定性采样器的前提下完成在线强化学习对齐。
推荐理由：原文给出相比 Flow-GRPO 类方法近 4 倍的训练效率提升和完整的路由机制描述，便于与 rollout 扰动类扩散 RL 方法做对比。
研究提出 Speculative Forcing 框架，将中间去噪估计当作草稿并预测何时可提前接受 token，在保持质量的同时降低自回归视频生成所需去噪步数。
推荐理由：论文给出可迁移的加速框架与具体对比数据，读者可直接判断它在长视频与世界模型生成场景下的收益。
可灵AI于10月15日上线新一代视频生成模型Kling 4.0，单次原生生成时长提升至最长30秒，文本输入上限为8000 tokens，并支持最高10-bit HDR、4K与21:9超宽画幅输出，同时优化了高动态场景和复杂运镜下的表现稳定性。
推荐理由：Kling 4.0 把原生生成长度推到 30 秒并加入 10-bit HDR 与 4K 输出，可与同期视频模型做能力对照。
该论文提出 MIST 评测，把场景搭建与指令执行拆开，用来定位视频世界模型中记忆失败的瓶颈；并提出 M3-Agent，通过递归修正输入指令的细节来推动模型执行指令。在 MIST reveal 指标上，M3-Agent 相对基线提升超过三倍；在 WRBench 上 score T 提升 26.1%，MBench-T 上 score U 提升 52.7%。
推荐理由：原文把场景搭建与指令执行拆开定位视频世界模型的记忆瓶颈，并给出 M3-Agent 修正指令细节的具体方法与基准提升幅度。
AI短剧在2026年快速渗透：上半年用户规模突破6亿、市场规模超220亿元，全年有望冲击400亿元，第一季度全行业上线微短剧12.8万部，其中AI微短剧12.2万部、占比约95%。
推荐理由：原文沿着从字节到四家长视频平台的链条梳理了AI短剧渗透路径，便于从业者判断内容产业当下的格局压力。
昆仑万维正式发布Matrix-Game 4.0，号称全球首款可在单张消费级显卡上运行的视频大模型游戏，并同步开源。该方案将游戏引擎负责世界状态与交互规则、视频生成模型负责实时画面渲染作为新范式，在NVIDIA RTX 5090上实现480p 60FPS游戏画面，端到端延迟低于150毫秒。
推荐理由：原文给出了480p 60FPS实时画面与低于150毫秒的延迟指标，读者可据此对比实时视频生成在消费级显卡上的体验边界。
ATAS 框架针对长程智能体视频生成中的跨镜头时空一致性问题，将剧本分解为带位置、镜头和事件时间标注的镜头请求，并在生成前从静态几何场景记忆和按场景/事件/时间索引的事件记忆中检索证据。
推荐理由：原文提出可同时处理跨镜头空间一致性和事件回放的生成框架，并在多个视频生成器基座上验证了一致性提升。
国庆前后，可灵 Kling 4.0、Vidu Q4 Preview 与字节 Seedance 接连发布，其中 Vidu Q4 Preview 首发价压到 0.09 元/秒，国产视频模型整体进入分时代。光锥智能对比三家路线与能力数据后指出，行业视频一次生成成功率从约 20% 提升到约 90%，AI 视频正从可生成转向可交付，进入工业化生产阶段。
推荐理由：对比可灵 Kling 4.0、Vidu Q4 Preview、Seedance 的定价和能力数据，给出国产视频从可生成到可交付的工业化时点判断。
OmniXRef 提出一个统一的多模态多参考视频编辑框架，允许用户在源视频上同时叠加可变数量的文本、图像与视频参考，分别控制主体外观、相机运动等不同属性。其模型 OmniXRef-Model 采用单流扩散 Transformer，将源视频与来自 MLLM 的多模态上下文在交错序列中联合处理，并引入 R^2-RoPE 位置编码以增强对更多参考的泛化能力。
推荐理由：原文提出统一框架同时接收文本、图像、视频三类参考来控制视频编辑，并给出专用训练数据和评测基准，对多模态可控视频生成有方法参考价值。
Event-STVG 提出长视频事件推理的时空视频定位任务与大规模基准，将重复事件区分、事件定位、角色推断和多目标定位纳入统一评测。基准覆盖足球及另外7个领域，共标注4,016次事件出现；最强模型在10分钟跨度上的 m-vIoU 仅为5.4%，并持续混淆重复同类事件。代码与标注地址为 https://github.com/THU-KEG/Event-STVG。
推荐理由：基准将重复事件区分、角色推断和多目标时空定位放在同一任务中，便于比较 MLLM 在长视频事件理解上的细粒度能力差异。
FlashVSR+ 在架构上引入混合注意力、在训练上提出 Ry-DMD 奖励分布匹配蒸馏，实现更高效的偏好对齐视频超分。架构侧相对 DiT 最高提速 2×、峰值显存降低 45%，单张 24GB RTX 4090 即可完成无空间分块的 4K 视频超分；训练侧通过奖励加权教师 rollout 将黑盒奖励引入分布匹配，无需经过奖励模型反向传播，且方法可迁移到 T2I 生成。
推荐理由：在 DiT 基线之上获得最高 2× 提速与 45% 显存下降，并提出把黑盒奖励引入分布匹配蒸馏的 Ry-DMD 方案。
抖音2026美好奇妙夜把 AI 大量植入舞台环节，胡彦斌、影视飓风 Tim 与杨丽萍等节目均使用字节跳动 AI 技术。
推荐理由：文章把字节多款 AI 模型与工具在晚会场景中并列呈现，便于读者一次性看清其在视频生成与动作迁移上的能力边界。
谷歌为搭载谷歌内置系统的车辆推出改版后的车载应用商店，新增Starz、火狐浏览器、Ludo King和JioHotstar等驻车娱乐应用，同时YouTube上线驻车视频音频在车辆行驶后继续播放的功能。改版后的应用商店将在未来数周逐步推送，搭载谷歌内置系统的车型覆盖16个品牌、超过100款，谷歌地图、Gemini等可直接在车机运行，车载应用商店共拥有700余款应用。
推荐理由：原文列出了改版后的应用清单、YouTube新增的音频续播功能以及搭载车型覆盖范围，读者可以据此看到车载娱乐生态的实际规模。
DeltaStreamer 是一个面向流式视频理解的开源智能体，可持续观察视频并在问题到达时按需回溯画面，代码与交互 demo 已在 GitHub 开源。它结合三项能力：对比相邻帧记录场景变化与描述、将视觉证据组织为带索引的结构化记忆、按需检索并重访原始帧。
推荐理由：原文给出了面向持续视频流的代理框架，强调可按需回溯画面与结构化记忆，并附有开源代码与可交互 demo。
本文提出 Speculative Sampling 推理方法，在自回归视频生成中保留大双向注意力窗口建模能力的同时保持小窗口的低延迟交互。该方法无需训练和 Self-Forcing 风格的后训练，应用在 MiniMax H3 上一次采样 5 秒视频，端到端响应延迟约 1.4 秒，可直接集成到任意交互式视频生成系统中。
推荐理由：原文提出无需训练的 Speculative Sampling 推理方法，把双向注意力窗口大小与低延迟约束解耦，可供交互式视频生成团队参考工程取舍。
Orbia 提出一个系统性评估交互式视频世界模型 3D 一致性的基准，涵盖输入保持、生成内容持久性和 3D 自一致性三个维度。该基准包含室内外 720 个实例、六种探索-重访协议以及分钟级长程探索，对 27 个文本、动作和相机条件模型进行了评测，指出视觉逼真且吸引人的帧不一定对应一致的 3D 世界，可为诊断 3D 不一致和开发更持久的视频世界模型提供基础。
推荐理由：Orbia 是面向交互式视频世界模型的系统 3D 一致性基准，通过受控探索和重访协议评测 27 个模型，可用于诊断生成视频在三维层面的一致性缺陷。
Higgsfield 借助 GPT-6 Astra 将 AI 视频生成时长从 1 分钟提升到 10 分钟以上，同时接入 GPT-Image-2.5 提升画面精度，并探索 GPT-Live 在语音电影制作方向的应用。
推荐理由：原文给出视频时长从 1 分钟延长到 10 分钟以上的具体幅度，并提及语音电影制作方向，读者可据此评估生成能力的边界。
10月13日MIPCOM开场演讲，AI原生影视公司Utopai登上主舞台并宣布与韩国CJ ENM Studios推进合作；同日安东尼奥·班德拉斯确认出演其史诗长片《Cortés》。
推荐理由：从MIPCOM亮相切入，系统梳理AI原生影视公司进入好莱坞的合规谈判、技术分层与商业模式路径，为行业准入叙事提供参照。
文章从电视、手机到 AI 短剧梳理媒介争夺用户时间的路径，指出 AI 降低了内容生产成本却没有改变注意力稀缺的本质。据 DataEye 数据，2026 上半年抖音新增 AI 短剧及漫剧约 22.19 万部，播放量过亿的作品约 1055 部、占比 0.47%，越过 5000 万播放盈亏平衡门槛的约 1.3%。
推荐理由：文章从电视到 AI 短剧梳理争夺注意力的结构性矛盾，可帮助读者看清供给扩张下时间为什么反而更紧张。