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
HiP3R 通过分层位姿图把长视频的局部重建合并为全局一致的相机轨迹和 3D 几何，无需再训练或微调。方法先优化鲁棒的 chunk 级 Sim(3) 图以确定全局布局和尺度，再固定布局并为每帧估计共享的 SE(3) 相机位姿。实验覆盖多个基准，方法适用于基于 chunk 和流式后端，项目页为 https://kkakkkka.github.io/HiP3R。
推荐理由：HiP3R 用分层位姿图整合长视频的局部重建，在无需再训练的前提下兼顾全局一致性、尺度稳定与局部误差修正。
DirCast 是一种流式视频语言模型，可仅依据过去上下文同时选择电竞直播镜头并生成实时解说。模型每秒低分辨率扫描所有摄像头，以保持或切换策略决定是否转场，再以高分辨率读取选中画面并解说；上下文保留已播画面与已生成解说，让其余视角移出，从而约束任意长度流的成本。
推荐理由：论文把每秒选镜头与实时解说统一进单一流式模型，并提供规则系统、GPT-5、GPT-4o及11个流式解说器的对照结果。
论文提出一种面向任意骨骼绑定的模型，可联合生成视频与 3D 运动，并估计相机以将运动对齐到场景。模型把独立的 3D 运动模型通过少量交叉注意力层连接到预训练视频生成器，训练中使用生成式视频编辑器以及人类和机器人视频，形成 nearly 200K 训练对。
推荐理由：论文比较了任意骨骼动画中联合生成与视频优先方案的差异，评测重点落在文本驱动忠实度与场景响应。
AI艺人正通过短剧、生活内容、广告和平台自营探索变现，方桃子的广告模式已跑通，但绝大多数角色仍接不到商单。其《被裁掉的女孩》单平台播放量突破2亿，账号截至发稿前有55.8万粉丝，不同时长视频广告报价为16.8万元至25.8万元，首单美瞳广告却因体验真实性争议下架。
推荐理由：文章对比明星数字分身、平台自营和制作公司签约三条路径，拆解授权、运营与广告边界带来的成本和风险。
Matrix-Game 4.0 通过可执行游戏引擎与自回归视频渲染器分离游戏逻辑和视觉合成，实现低延迟的实时交互游戏世界。轻量引擎维护世界状态并执行交互规则，多模态编码 Agent 将玩家想法转为游戏代码和动态场景描述，渲染器则把低多边形代理画面生成细致视觉。
推荐理由：论文将可执行游戏引擎与自回归视频渲染器解耦，并披露延迟、帧率和显存数据，便于对照评估实时交互方案。
国产AI韩剧、日剧、美剧在抖音、小红书走红，代表作《漂亮的恶意》6集播放量破1.8亿、变现数百万元；该短剧由OST传媒出品，单集制作成本约1.5万至2万元，主要来自算力。2026年上半年抖音端新上线AI短剧超22.19万部，破亿率约0.47%，能回本的不足1.3%。行业单分钟制作成本从千元级降到约400元，但收入同比缩减10倍以上，酱油公司等头部厂商已开始收缩人力。
推荐理由：汇总 AI 短剧成本、破亿率与变现路径等关键数据，可作为评估这一内容赛道窗口期与差异化打法的具体参考。
SolarRenderer 用冻结的 MiniMax-H3 33B 视频骨干模型和两个轻量 LoRA，实现从多样结构输入到逼真视频的四步或实时流式渲染。通过结构引导分布匹配实现四步渲染，速度比 50 步采样快 12.3 倍；块因果变体支持实时渲染 768p 视频。
推荐理由：论文同时给出四步渲染比 50 步采样快 12.3 倍的对比、136K 片段训练规模和跨结构泛化结果，便于比较其渲染路线与控制能力。
美国俄勒冈州华盛顿县议会主席候选人 Nafisa Fai 的一段 Deepfake 视频在 X 上被广泛传播。视频把她在明尼苏达社区活动中的演讲画面与一面倒挂的美国国旗拼接，但与会者确认国旗实际为正向摆放。
推荐理由：Deepfake 视频在大账号推动下短时间内即可扩散到全国并直接引发选民对峙，呈现出 AI 生成内容干扰政治传播、影响真实选战的现实路径。
FRED 通过自蒸馏与历史观测时序条件，提升世界动作模型从单步去噪中生成的未来视频表征。在多种真实世界操作场景中，FRED 优于对比 WAM；在仅有人类视频示范、未进入机器人训练数据的任务上，任务成功率达到 50.0%，最佳对比 WAM 为 19.4%。论文地址为 arxiv.org/abs/2610.30320。
推荐理由：论文在长时程、域外任务与人类视频迁移场景中给出对比，未见机器人训练数据的任务成功率为 50.0%，最佳对比 WAM 为 19.4%。
北京大学高文团队提出 codec4AI，以稀疏解码和依赖解耦编码提升 AI 训练视频的随机帧访问效率。论文在 LeRobot v3 配置下评测，DDRA H.265 在重建质量可比时使媒体载荷减少 58.7%，数据加载吞吐量达到 1.45×。单独实验显示，在合适压缩设置下，下游 VLA、WAM 和 VLM 性能可比；论文、代码和文档均已公开。
推荐理由：论文针对视频训练中的随机帧访问，比较依赖解耦编码与稀疏解码在存储占用和数据加载吞吐量上的表现。
CausalAlign 提出一种因果对齐框架，在 delta-token 空间中把扩散视频生成模型的内部表征与 3D 动态对齐，以提升长时程相机自我运动的一致性。
推荐理由：论文先定位去噪过程中自我运动表征的先升后降模式，再给出基于 delta-token 空间的 3D 动态对齐方法与量化结果。
AI短剧行业过去靠规模化、押注爆款的彩票工厂模式开始失灵。酱油文化创始人黄浩南曾将公司扩张到1200多人、单月约100部产量，但因约150部作品未上线、成本约1200万元而收缩至600多人，原本预计的2026年10亿元营收和2亿元净利润被下调一半。
推荐理由：文章以酱油文化从1200人收缩到600人为线索，对比规模化与依赖审美版权的小工作室路径，为理解AI内容行业的赚钱逻辑变化提供了具体样本。
显微故事通过四位影视从业者的亲历，记录 AI 进入影视公司后项目减少、岗位变形的冲击。从业十年的制片人陪老板搓 AI 工具应付动员会，大模型视频生成测试员将镜头审美蒸馏给模型，AI 短剧制作人算账发现 70 多部里仅 1 部回本，应届 Java 工程师开发的剧本工具后台数据全由 AI 编造。
推荐理由：从制片人、测试员、制作人和工程师四个视角，拼出 AI 进入影视公司后项目减少、岗位变形、经验被量化的真实现场。
论文提出 Stateful Harness 框架，把基于规则的世界状态演化与冻结的视频生成模型分离，以在含隐藏状态的交互式世界模型中保持规则一致性。作者构建了包含 50 对反事实双胞胎的 WorldState-Bench 基准，评估 11 个视频后端。在仅用规则提示时最好的对子成功率只有 32%；指定期望结局后该指标提升到 64%，完整框架在同一冻结模型上达到 92%。
推荐理由：将规则执行与视频生成分离的框架思路，可迁移到其他需要长期状态一致性的交互式生成场景，并附带评测基准。
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。