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
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。
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。
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。
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。