技术方向
AI 生成和理解视频：文生视频模型、视频编辑工具，以及影视创作的新做法。
144 条精选近 30 天 135 条共收录 164 条
AnyGameRenderer 将 AI 智能体制作的低质量游戏视频转换为高质量画面，并保持布局、镜头及实体位置与时序一致。模型通过 LoRA 微调 33B 的 MiniMax-H3 ref2va 实现，训练数据来自 38 款 AI 智能体制作游戏、Unreal Engine 渲染和真实游戏录像，兼容灰盒、彩色几何体、语义图与线框输入。
推荐理由：论文同时披露模型训练数据、输入形式和实体级基准结果，为评估视频生成模型能否保持动态场景实体对应提供参照。
FilmFlow 将自然语言指令或参考视频转换为动态 3D 场景中的可执行相机轨迹。Director 智能体组合平移、旋转和构图等原子操作，Interpreter、Scout、Critic 分别解析意图、选择初始视角并提供迭代反馈。
推荐理由：FilmFlow 将导演、意图解析、勘景和审片四类智能体串联，并以 150 个 Blender 场景的 CinemaBench 覆盖文本与视频参考两种生成方式。
昆仑万维旗下 AI 视频创作平台 SkyProduction（天工工作台）近日接入可灵 AI 视频生成模型 Kling 4.0。Kling 4.0 是可灵推出的新一代原生多模态 AI 视频创作大模型，在视听表现、创作可控性、叙事连贯性及多元内容生成等方面实现升级，并将丰富 SkyProduction 的视频模型选择。
推荐理由：Kling 4.0 接入后，SkyProduction 增加了视频生成模型选择，原文还给出了可灵此次强调的视听表现、可控性和叙事连贯性升级方向。
国内AI艺人正沿AI短剧衍生和原生艺人两条路径，通过独立账号、品牌共创与线下演出探索商业化，但仍未形成可复制、可持续的盈利模式。方桃子截至10月22日拥有55.8万抖音粉丝，单条商单报价一度达25.8万元/60秒，但报价并非真实成交价，首条美瞳广告下架后团队称将暂时拒绝商务合作。Yuri尤栗、吴爱花等已有品牌合作，但大众影响力、持续内容产出、运营成本，以及广告真实性、版权和授权机制仍制约收入兑现。
推荐理由：文章借方桃子的报价与广告合作案例，拆解粉丝数、名义报价和关联商品销售额不能直接代表AI艺人盈利能力。
研究者提出 OmniDR-Bench 和技能工作流，用于评测智能体围绕视频综合外部证据并生成关联视频时刻的交互式报告。该基准包含 19 个现实子类别、50 个中英文任务和 6,414 条标准，并以 Omni-ARTs 评估 18 种智能体配置；最佳系统得分 63.3/100。
推荐理由：该基准将视频定位、外部多模态证据检索与交互式报告纳入统一评测，并呈现智能体在覆盖范围和跨模态分析上的能力差距。
Verus-Insight 通过检查规划、证据验证和证据聚合训练 AI 生成视频伪影检测器，并采用人工锚定的全流程监督与渐进能力训练。论文还提出带有人工标注可感知伪影的 Verus-Bench；多基准实验显示，该方法在细粒度伪影分析和视频级检测中表现较强，并能更可靠地将检查目标转化为有支持的证据，同时未增加虚假伪影断言。论文地址为 https://arxiv.org/abs/2610.30866。
推荐理由：论文把 AI 生成视频伪影检测拆为检查规划、证据验证和证据聚合，同时提供细粒度人工标注基准，便于比较检测器的证据识别能力。
国内首部获院线公映许可证的AI超写实电影《三星堆：未来往事》上映前两平台总预售票房约14.4万元，灯塔专业版预测总票房216.9万元。制作团队生成120余万张底图并进行了上百次全片迭代，博纳负责人称传统实拍《三星堆》可能需8亿至9亿元，但AI生成仍需反复调整人物一致性、镜头衔接和视听效果。
推荐理由：文章对比《三星堆：未来往事》与依托成熟IP、平台分账的AI影视项目，呈现技术能力、发行渠道和付费门槛的差异。
AI正通过多模态模型重构内容生产，在游戏、电商和短视频等高频场景中缩短制作周期并降低费用。文章以MiniMax H3为案例，称一家大型游戏厂商将素材制作从几天缩至几小时，月度费用从几百万元降至几十万元；H3支持768p和2K输出，2K的API调用价格约0.8元/秒。B站updream使用H3开展创作者征稿，双方还探索热门视频Skill，文章同时讨论互动影游的内容生产与分发入口竞争。
推荐理由：文章通过游戏、电商与B站案例，拆解AI内容生产在制作周期、费用、返工和生态入口上的现实收益与限制。
论文提出因子感知预测学习 FAPL，通过分阶段训练让视频 DiT 更有效地利用 MLLM 潜变量，支持稀疏时间推理与因子感知的电影化控制。训练先以冻结的 MLLM 和连接器强化 DiT 的潜变量利用，再通过 factor-span replacement 学习目标因子改变与非目标保持，最后冻结 DiT 并优化 MLLM 和连接器，兼顾有限输入表示学习与完整观察重建。
推荐理由：论文将 MLLM 潜变量利用、稀疏推理和因子控制放进同一分阶段训练框架，便于理解多模态表征如何用于电影化视频生成。
WorldCast 结合 3D 点云引导与 GAMA，在大角度相机运动下准确跟随轨迹并生成几何、外观和身份一致的角色视频。GAMA 根据初始帧与多视角角色锚点估计的相对相机位姿，检索并注入视角相关角色特征。论文还发布 CLACT 大规模角色中心数据集与基准，提供准确相机几何、多视角角色观测及大角度轨迹，用于训练和评估。
推荐理由：论文同时提供大规模数据集、基准和生成框架，覆盖大角度轨迹、几何一致性与身份保持，便于开展系统评估。
World-in-Context 提出上下文条件化（ICC）框架，用共享自注意力中的显式 token 统一视角、动作和相机控制。World-in-Context-5B 在 WBench 上取得 81.5 的导航表现，接近 22B EchoWM 的 81.6；视角切换成功率达 93.8%，高于现有 5B 基线的 18.8%。
推荐理由：论文用显式 token 统一视角、动作与相机控制，并在 WBench 对比 5B 与 22B 方案的导航和视角切换表现。
Laika CEO、Wildwood 导演 Travis Knight 表示，生成式 AI 与工作室依靠艺术家完成创作的核心理念相悖。他区分辅助创作的技术与代替艺术家生成作品的机制，认为承载失恋、失落等经验的真人故事需要由人讲述。同时，他承认 AI 在医学和科学领域可能带来巨大收益，但担忧其社会破坏力并主张由人负责任地管理。
推荐理由：文章以 Wildwood 的五年制作过程为背景，对照生成式 AI 所追求的即时进步，呈现 Laika 对艺术家主导创作的坚持。
RealMe 提出统一框架，利用高分辨率视频扩散模型将稀疏、低分辨率多视角采集增强为 2K、4D 一致的体积视频。框架采用适配多视角布局的时空注意力、布局感知位置嵌入和潜空间频域损失，以改善分辨率与时空一致性。在 DNA-Rendering 和自采 RealVV 数据集上的实验显示，其视觉保真度和 4D 一致性优于已有最先进方法。
推荐理由：论文以高分辨率视频扩散模型、布局感知注意力和潜空间频域损失，将有限采集增强为 2K、4D 一致的体积视频。
600.6亿元国家人工智能产业投资基金已有至少八笔投资公开披露，覆盖模型、应用、具身智能、算力芯片与AI安全五个环节。公开项目包括 DeepSeek、月之暗面（Kimi）、可灵AI、新石器、银河通用、新芯航途、长亭科技和沐曦。可查出资合计约54亿元，占基金规模不足一成，官方尚未披露完整被投名单。
推荐理由：将上市公司公告、工商登记和融资报道交叉整理成八笔投资清单，并对照 600.6 亿元规模呈现资金流向与集中度。
AI短剧免费广告分账平台的万播收益已从去年下半年30至100元降至今年5至10元，跌幅近90%。文章认为，制作成本上升、平台取消保底收购、内容同质化及大平台对IP、工具、流量和结算的控制共同挤压利润。DataEye称今年上半年98.7%的AI微短剧项目无法回本，仅1.3%的幸存团队主要转向B端品牌定制，或通过小游戏CPS、网文充值和私域电商变现。
推荐理由：文章拆解了算力、投流与分账三重成本变化，并以数据说明平台规则如何挤压制作方利润，同时给出B端定制和后端变现两类路径。
字节跳动近两个月密集布局AI视频工具，已形成即梦、小云雀、漫剧创作工具、Dramagic和剪映Hub等产品矩阵，分别覆盖影视级创作、短剧与漫剧批量生产、海外市场等场景。
推荐理由：系统梳理了字节AI视频工具的产品矩阵与定位差异，读者可据此理解不同创作场景下的工具分工逻辑。
ALLOT 是一种免训练方法，可在延迟预算下按层与去噪步骤分配视频扩散 Transformer 的块稀疏注意力密度，以最大化输出保真度。该方法通过 cell probing 和 trajectory calibration 估计各层与步骤组合对最终视频误差的贡献，并保留现有选择策略和 kernel，仅替换分配组件。
推荐理由：论文将块稀疏注意力的分配从启发式规则转为输出敏感度驱动，并说明如何仅替换分配组件接入现有策略与 kernel。
4K花园与百度旗下七猫中文网近日签署协议，将通过联合投资模式拓展海外AI短剧市场。双方由4K花园与蝶变AI创作者联盟承制。
推荐理由：协议披露了海外AI短剧的联合投资和创作者联盟承制安排，适合作为观察内容制作与商业合作方式的参考。
本文提出 Future Chunk Prediction（FCP），一种用于自回归视频扩散模型的辅助训练目标，通过在 teacher-forced 去噪之外预测时间上分离的视频片段来强化未来块监督。
推荐理由：文章提出一种无需额外视觉编码器的辅助训练目标，在更低训练算力下提升自回归视频扩散的物理合理性。
这篇视频世界模型综述以世界建模为统一视角，梳理视频理解与生成围绕潜在时间状态展开的进展。论文将相关工作归为读取、写入、共享和交互四类操作，并区分时间连贯性与底层世界状态的一致性。综述指出，研究重点正从片段级识别和感知保真度转向持久状态、可控演化、物理与因果有效性，以及交互和下游决策导向的评测。
推荐理由：这篇综述以世界建模串联视频理解与生成，并按读写、共享、交互四类操作梳理技术演进与开放问题。