斯坦福&清华提出SFG：压制图像反馈，FLUX文生图GenEval涨至0.7479
文生图模型里藏着一个不太被讨论的回路：图像会通过联合注意力，把自己的内容"回写"到内部文本流里。问题是，这个反馈到底在纠错，还是在保留错误？斯坦福、清华的这篇论文用移植实验给出了答案，并顺手做了个叫 SFG 的训练无关引导，让 FLUX 的 GenEval 从 0.6661 涨到 0.7479。不改权重、不重训，推理期就能用，值得花时间看看。
标签：视频生成
共 83 篇
3D世界模型造出的场景都是"死"的？OuroWorld一键把它们复活
3D世界模型能把一张照片变成可走进去的场景，可这些世界是冻住的：叶子不摇，雾不飘，灯不闪。OuroWorld不用画任何掩膜，让视觉语言模型自己判断什么该动、怎么动，再用傅里叶形变场把首尾严丝合缝地接上。39个场景上全面超越四路基线，30人盲测偏好率70.8%—99%，值得一看它怎么在"互相打架"的脏监督里学出一个干净的4D场景。
UIUC×丰田研究院：3万小时第一人称视频，世界模型学不会物体交互
一篇给"数据越大越懂世界"这条信仰做压力测试的论文。丰田研究院联合UIUC、CMU、JHU，拿3万小时第一人称人类操作视频训练世界模型，结果有点扎心：智能体的手放在哪学得又快又准，被它折的那张纸却始终折错。骨架条件化之后，300小时就能顶到基线1.5万小时的水平；而物体交互这条曲线，怎么加数据都抬不起来。作者给出的结论比数据本身更值得读——差距出在训练方式，
加州大学洛杉矶分校×Adobe Bolei Zhou团队多智能体世界模型：世界分升至105.1
论文基本信息 原文标题： 多智能体自回归扩散模型与世界状态寄存器（Streaming Multi-Agent Autoregressive Diffusion Model with World State Registers） 首次公开： 2026年7月23日 署名单位： 加州大学洛杉矶分校、Adobe Research 原论文： https://arxiv
伯克利与Impossible视频生成：14.3秒视频6.70秒去噪
原文标题： Video DeltaNet: A Video-Native Hybrid Attention for Livestream Video Generation 首次公开： 2026年9月17日 署名单位： 加州大学伯克利分校、Impossible公司、得克萨斯大学奥斯汀分校 原论文： https://arxiv.org/abs/2609.2074
Alaya Lab可编程世界模型：角色计数94%，状态一致性98%
原文标题： Programmable World Model 首次公开： 2026年9月10日 署名单位： Alaya Lab 原论文： https://arxiv.org/abs/2609.10540 项目页： https://alaya-lab.github.io/pwm 开源代码： https://github.com/AlayaLab/pwm
阿里与北大多主体视频生成：DIAL让人脸相似度31.81%升至60.64%
论文基本信息 方法名称： 双阶段内生注意力利用方法（DIAL） 原文标题： Harnessing Intrinsic Subject- Aware Attention for Controllable Multi- Subject Video Generation 首次公开： 2026年9月10日 署名单位： 阿里巴巴集团、北京大学 研究领域： 多主体参考图
西湖大学视频世界模型：无需训练重拍任意视角，综合评分85.192
论文基本信息 方法名称： 世界中世界方法（WiW） 原文标题： World in World: Explore the World with World Models 署名单位： 西湖大学智能实验室 首次公开： 2026年9月10日（arXiv v1） 原论文： https://arxiv.org/abs/2609.11548 项目页： https://ch
Nunchux AI、麻省理工学院、英伟达视频生成低比特注意力：端到端最高提速1.70倍
论文基本信息 原文标题： VC-Attention: Value Smoothing and Softmax Casting for Low-bit Attention 首次公开： 2026年9月15日（北京时间；arXiv记录的原始时间为2026-09-14 16:17:35协调世界时） 主要署名单位： Nunchux AI、麻省理工学院、英伟达 合作署名
腾讯混元WorldReward：世界模型画面再美，动作错了也白搭
世界模型生成的视频越来越逼真，但它可能一边把画面做得很漂亮，一边悄悄执行错了相机指令。复旦、腾讯混元、上海创智学院、上海交大和上海人工智能实验室等团队提出 WorldReward：不再只看单帧美不美，而是逐段检查“动作有没有做对、画面有没有崩”。在 760 对人工标注视频上，它对动作、外观和运动质量的判断一致率分别达到 77.63%、81.32% 和 73.
快手与北航新范式：从“挑视频”到“造视频”，广告视频可以现场拍
如果把短视频推荐系统想象成一家大型仓库，算法的工作就是“在仓库里找一件用户最可能喜欢的东西”。仓库越大，推荐越准。可问题在于：算法再聪明，也只能在仓库里挑，不能在用户最想要的那一刻，照着用户的心思现场做一件出来。
视频生成不懂物理？川大新框架用事件链思维，物理正确率暴涨至72.5%
大模型生成视频"看起来美，动起来假"的顽疾有解了。这篇来自四川大学的工作，不去堆算力，而是给视频生成装上"物理事件链"大脑，用可量化的物理公式约束每个中间状态，在PhyGenBench上把物理贴合度均值提升到72.5%，值得做视频生成与世界模型的朋友细读。
