AIGC 每日速读|2026-11-05|吉大换主角也留下原表情ReXMo

今日 AIGC 论文速览

今日共 10 篇 · 参考视频编辑 1 篇 · 高分辨率与图内文字编辑 2 篇 · 视频续写与像素生成 2 篇 · 图像蒸馏与推理搜索 2 篇 · 可控语音与空间音频 2 篇 · 数值属性控制 1 篇

重点论文标题列表

• ReXMo（吉林大学）：换了主角也要留下原表情
• FLASH（复旦大学）：小图定编辑大图接着补细节
• FlowTranslator（复旦大学）：把招牌换成译文还留下街景
• ReCR（斯坦福大学）：长视频该记住哪些旧画面
• U-JiT（Meta）：不先压视频也能补回高频

选读入口：需要参考照片换视频演员，先读 ReXMo，特别区分真实换角和往返重建；要改 4K 海报接着读 FLASH 的 309.69/215.31 秒取舍，改街景招牌读 FlowTranslator 的固定译文协议。续写越长越跑偏看 ReCR 的历史选择与显存增长，研究基础架构看 U-JiT 的 128/256 分辨率条件。做四步生图训练读 StepX-OPD；语音服务读 TTSonic 的内容/音色拆分，空间音频编辑读 Spatial Transfusion。愿多花推理算力再看 PATTS；需要明确属性刻度最后看 ScoreDial 的独立审计，避免把代理分数当物理事实。

今日论文速览

1. ReXMo：换了主角也要留下原表情

ReXMo: End-to-End Video Character Replacement with Expression and Motion Preservation | 吉林大学 | arXiv:2611.04633

关键词：参考视频编辑, 角色替换, 成对三元组, 表情适配器

• 前序问题：把双人表演的一位演员换成参考照片中的人，动作骨架相同，嘴角和眼神却可能变了；两人靠近时，表情还会串给另一人。只给姿态或挖空人物区域，难以保住这些细节。
• 方法直觉：先造出“动作与场景一样、身份不同”的视频对，再倒过来训练：让模型从换过人的视频恢复原演员。全身替换学好后冻结它，另给每位演员接一条表情信息通道。
• 本文贡献：底座为 Wan2.2-TI2V-5B。训练三元组是合成驱动视频、原视频和原身份参考帧；驱动潜变量与带噪目标按通道拼接，参考图另编码为上下文 token（特征单元）。冻结预训练主干、自编码器和文字编码器，只更新秩 80 的 Motion LoRA 低秩适配器及扩展输入层。第二阶段用约 3 万段 512×512 对齐脸部片段，冻结运动提取器，每 5 个扩散 Transformer 块插入一次表情交叉注意力；仅训 Face Encoder 和 Face Adapter，按演员对应关系注入。两阶段均用 97 帧、24 帧每秒片段，各训 1 万步；Wan2.2-Animate 只用于造训练数据，不参与最终推理。

• 实验效果：合成跨身份基准先由原演员 A 生成新身份 B，再恢复 A，与原 A 比较，属于往返重建协议。单人 Pose-DTW（姿态动态时间对齐距离，低更好）由 SCAIL-2 的 0.0263 降到 0.0258，PCK@0.2（容差内关键点比例）0.9879→0.9890；多人距离 0.0314→0.0312。表情适配消融的 Expr-LMD（表情关键点误差）0.3415→0.2905、LVD（关键点速度差）0.0389→0.0288。人物替换感知评分中画质 4.32、时序 4.12、外观 4.39，但运动平滑 3.90 低于 SCAIL 的 3.92。

• 批判点评：提升包含很小的重建差值，往返协议也不能等同任意真实视频换角的成功率。多人对应路由不是无条件解决遮挡；论文没有交代足够清楚的测试规模、统一推理墙钟与峰值显存，不能称实时或零额外成本。50 人偏好实验是配对选择，不当成 50 条视频。原文承诺后续公开数据与代码，未给可核验实现地址；标题机构来自作者地址脚注。

2. FLASH：小图定编辑大图接着补细节

Efficient and Faithful High-Resolution Image Editing with Sparse Cross-Resolution Denoising | 上海创智学院；复旦大学；阶跃星辰；香港中文大学 | arXiv:2611.04416

关键词：高清图像编辑, 跨分辨率去噪, 局部注意力, 渐进推理

• 前序问题：把海报改到 4K，直接放大模型网格会让注意力计算暴涨；先在 1K 修改再交给超分模型，又可能修清了纹理却偏离原来的编辑目标。
• 方法直觉：保留一条看完整张小图的编辑轨迹，高分辨率分支沿着它补细节。大图只读附近的源图和目标区域，先保证修改方向一致，再花计算恢复局部纹理。
• 本文贡献：以 FLUX.2 Klein Base 4B 为底座，在 VINS-120K 实际 131010 个样本上训练。冻结 1K 分支，只给高分支加秩 32 的 LoRA。信息单向从小图流向大图；大图查询读取对齐的小图带噪目标邻域，以及本尺度源图/目标的 Halo 扩展窗口。主配置小图半径 R=3，线性放大 n=2/4 对应 Halo 宽 h=Rn=6/12 个潜空间 token。按分辨率调整噪声时间，YaRN 扩展旋转位置编码。渐进版前 12 步只走 1K，再将干净估计解码、缩放、重新编码和加噪，余下 16 步由同一编辑器完成，非外接超分。

• 实验效果：1K/2K/4K 在此分别为 1024×1024、2048×2048、4096×4096 像素。509 条、12 类指令的 VINS-4KEval，质量按编辑类型宏平均。4K 主配置 28 步、单图，直接/渐进耗时 309.69/215.31 秒，含分辨率过渡但不含模型加载，减少 30.5%；HaarPSI 全图感知相似 0.4067→0.3775，保留区结构相似 mSSIM 为 0.7621→0.7369。独立 R=1 前向诊断 17.33→4.13 秒，注意力 15.2→0.60 秒，分别 4.2 倍和 25.3 倍；这不是主配置 R=3 的端到端加速。

• 批判点评：源图相似不等于编辑完成：这些指标主要衡量未改区域和源输出差异，不能证明每条指令都执行正确。扩大邻域并非各指标单调变好，渐进也有可见质量代价；未报告可统一比较的峰值显存。原文指向的 FLASH 仓库在本次 GitHub 读取返回 404，按暂不可获取报告，不宣称代码已开放。

3. FlowTranslator：把招牌换成译文还留下街景

FlowTranslator: Training-Free In-Image Machine Translation with Flow-Based Editing | 复旦大学；上海市多模态具身智能重点实验室 | arXiv:2611.04303

关键词：图内翻译, 免训练编辑, 噪声解耦, 位移反馈

• 前序问题：翻译照片里的招牌，文字翻对还不够：字要写进原位置，街景不能重画。源图与目标只差几个小字时，两条去噪路径太像，模型又容易原样输出。
• 方法直觉：先在文字区域稍微松开两条路径共用的噪声，让修改启动；等译文字形开始出现，再把已经形成的修改位移放大一点，末段停止放大以修稳笔画。
• 本文贡献：冻结 60 亿参数 Z-Image-Turbo。PP-OCRv5 识别文字和框，每图调用一次 Doubao-Seed-2.0-lite，生成原文/译文描述。每步用同一扩散 Transformer（DiT）分别预测源与目标速度，只在扩展 15%的文字掩码内累积速度差。RCR 即 Region Coupling Release，早期部分解除噪声相关，强度 0.5，从噪声时间 0.6 到 0.3 关闭；CE 即 Coupling Expansion，中段按 sin²时间门放大已有位移，强度 0.4。共 50 个求解步、前 45 步编辑，速度差增益 1.3；每步需源/目标分支，免训练不等于一次前向。

• 实验效果：PRIM 每方向 340 条真实文字条、5 种英译语言，EasyOCR 回读，BLEU 衡量译文词组匹配、COMET 估计翻译质量，均越高越好。对相同设置的 Masked FlowEdit，平均 BLEU16.9→20.6、COMET53.3→57.2；CE 单独 BLEU20.21，完整 20.57，主要收益来自位移反馈。1280 张 ScenePair 英译中，固定各方法文字框与目标译文，准确率 33.44%→40.08%，结构相似 SSIM0.9533→0.9509；这隔离的是指定译文渲染阶段，不是整条识别翻译链路。

• 批判点评：俄文字形仍弱，英译俄 BLEU 仅 4.6；TTV 合成文字图基准的大字上的增益很小，且源图 SSIM 低于专门训练方法。掩码外潜变量不变也不保证解码后每像素不变。实验用单 RTX4090，但未给完整时延或峰值显存；外部 OCR 与商业语言模型同样有成本。未核到本方法官方实现，不将其引用的 FLUX 仓库当成源码。

4. ReCR：长视频该记住哪些旧画面

What Remains in Sight? Autoregressive Video Decoding as Representation-Guided Context Rewriting | 斯坦福大学 | arXiv:2611.04164

关键词：自回归视频生成, 历史选择, 位置重编号, 全历史缓存

• 前序问题：视频不断往后续，最近几帧看得清，开头的人和场景却忘了。盲目拉长注意力窗口很贵，而同一长度的窗口里，也可能塞满重复的近景。
• 方法直觉：每次续写前从过去挑一小组画面：既像整段故事、又能补充近期没出现的信息，还要保住早期与末端线索。挑完按时间顺序重新排成紧凑序列供模型读取。
• 本文贡献：不训练主干，每块生成 3 个潜帧。取第 20 层（从 0 计）的干净历史前向特征，逐帧平均并归一化，只计算一次。全局与近期摘要分别作早期/近期加权；贪心选择同时考虑全局相似、近期冗余、首尾覆盖和已选帧之间的重复。再最多交换一帧以扩展空间布局范围。全部层保存未加位置编码的键/值，每块选好历史后，在紧凑时间位置重新施加 RoPE 旋转编码。可见历史预算不超过原生窗口，不增加解码器前向，但保留所有过去键/值以便重选。

• 实验效果：128 条 MovieGen 提示、四步因果主干，在 30/60 秒 VBench-Long 上报告。Self-Forcing 的综合质量 60 秒 78.19→81.60，Causal-Forcing77.41→82.08；该分数由七个质量维度汇总，不是完整 VBench 总分。并非单项全胜：Self-Forcing 主体一致 96.67→96.43。单 H200、批 1 的 60 秒续写，Self-Forcing 每块 728→712 毫秒，Infinity-RoPE 却 667→710 毫秒。300 秒是超长展示，主要系统量化是 60 秒。

• 批判点评：固定可见 token 不等于固定显存：全历史 GPU 缓存随时长线性增长；官方例子 240 潜帧、30 层、每帧 1560 个 token、12 头、头宽 128、16 位数需约 69GB，仅是缓存估算。取特征、选择与重排也有计算。官方代码仓库含选择器、缓存与合成解码器示例，实际接入视频主干仍需自己改注意力接口，不冒称已提供完整基准一键复现。

5. U-JiT：不先压视频也能补回高频

Pixel-space video generation with U-JiT | Meta FAIR；索邦大学；Valeo.ai | arXiv:2611.04764

关键词：像素视频生成, 多尺度Transformer, 高频细节, 采样配方

• 前序问题：视频先压到潜空间，会损失细节；直接在像素上生成，又常把大块时空 patch（图像分块）投影成太窄的特征，细纹理像被切掉了一截。
• 方法直觉：沿模型深度先细后粗再细：外层的小 patch 看清局部，内层的大 patch 和宽通道处理语义，再通过跳连还原。让同一个生成模型承担原先自编码器负责的细节工作。
• 本文贡献：U 形 Transformer 在不同层改变时空 patch 大小，用线性投影和时空重排下采样/上采样，每尺度一条残差连接。外层注意力按 8×8×4 窗口分块，像素层再将 token 压缩后计算注意力以控制浮点运算。预测干净视频、用速度误差训练，另加 LPIPS 学习型图像特征距离作为感知损失。采样调整时间分配，把更多步骤留给低频结构；使用 CFG（组合有条件/无条件预测的引导），仅在 0.1–1 时间区间启用。潜空间基线也调引导和时间偏移，避免把配方收益全算成架构收益。

• 实验效果：Kinetics-600、128×128，5 帧条件、生成 12 帧但评估接续 11 帧。XL 版 5.87 亿参数，单前向约 1.3 万亿次浮点运算，FVD（视频分布距离，低更好）0.61，JiT 为 0.71、此前 WaiT 为 0.84；相对后者降低约 27%，最强同训潜空间对照 0.62。逐帧 FID 图像分布距离 3.15，Wan2.1 潜空间版 11.05。256×256 类别生视频生成 65 帧，FVD3.00 对最佳潜空间 3.31；每条切 4 段 16 帧，5 万视频合计 20 万段用于评分。

• 批判点评：这里的 f32t8 表示内层 patch 空间 32×32、时间 8 帧，不是另训视频自编码器；也不是已经验证 4K 开放文字视频。FLOPs 只计单次前向，潜模型解码开销没计入，不能据此推断完整墙钟或显存更省。高分辨率主实验需 400/600 轮训练，成本不能忽略；未核到本方法公开实现，原文引用的 JiT 代码属于基线。

6. StepX-OPD：四步学生直接向多个老师学

StepX-OPD: Rethinking Multi-Teacher On-Policy Distillation in Diffusion Models | 阶跃星辰；西湖大学 | arXiv:2611.04386

关键词：多教师蒸馏, 四步生图, 在策略状态, 低噪声回归

• 前序问题：先把画图、写字、听指令几位老师合成全步模型，再压成四步，第二阶段可能把第一阶段刚学到的能力丢回去，训练也得排队等。
• 方法直觉：让学生从一开始就按四步走，每次在自己真正会经过的状态上请相应老师纠错；靠近干净图像时，再直接对齐速度方向，少绕一段长轨迹。
• 本文贡献：在策略 OPD 指用学生自己产生的状态教学。每个训练批只来自一种能力数据，静态路由到对应冻结教师，不混平均教师输出。四段轨迹每轮随机内部时间点，在相邻状态间插值，再按精确前向加噪分布构造监督点；用轨迹分布匹配 TDM 和低噪声速度回归共同训练，回归权重 0.5。前 200 步由初始学生自蒸馏预热，之后接 3 位教师。SD3.5-Medium 与 FLUX.1-dev 分别实验，秩 32 低秩学生，8 张 H800、全局批 256。

• 实验效果：512×512 下，四步模型的四指标标准化 Average 在 SD3.5 为 0.8901，顺序 DiffusionOPD+TDM 为 0.8403；FLUX 为 0.8902 对 0.8761。SD3.5 的 GenEval 组合准确 0.944、OCR 文字识别准确 0.899，40 步 Flow-OPD 为 0.905/0.885；PickScore 人类偏好代理 22.98 低于顺序蒸馏 23.41。SD3.5 报告优化阶段 GPU 小时少约 37%，不包含从零训练全部教师。四步是学生 4 次前向；SD3.5 全步 CFG 要两分支，40 步对应 80 次前向，不能混为相同计数。

• 批判点评：Average 只汇总 GenEval、OCR、DeQA 画质代理、PickScore，经固定区间归一化，不是四项原分直接平均，也不是全部九项雷达图。未要求文字时仍会把提示词写进图：计数从底座 21 升到 DiffusionOPD218，StepX 降到 94，却未回到 21。官方代码仓库有训练推理，但 README 描述按 KL 分布差异加权的回归变体，主文主配置为无该权重的代理损失，复现需核配置，不能笼统称完全一致。

7. TTSonic：内容语气和音色分开控制

TTSonic: A Unified Framework for Composable and Controllable Speech Generation | 字节跳动抖音内容团队 | arXiv:2611.04282

关键词：可控语音生成, 语义声学分离, 音色设计, 噪声参考克隆

• 前序问题：换个说话人不该改台词，照着“压低声音、稍显迟疑”读又不能把身份一起换掉。把语义、语气和音色全塞进同一表示，往往顾此失彼。
• 方法直觉：先规划说什么、怎么说，再用另一条音色条件把它唱成声音。换声时直接复用源语音的内容 token，设计新嗓音时只替换音色向量。
• 本文贡献：16kHz 输入经 19 层 E-Branchformer 和有限标量量化 FSQ，每秒 25 个离散语音 token、码本 16384 项；先用自动语音识别监督语义，再冻结编码器，只调量化映射，兼顾重建与理解。Qwen3.5 初始化的语言模型自回归生成语义/韵律序列，可先输出简短风格规划。因果流匹配声学模型将每 token 重复到 2 个梅尔频谱帧，接参考音色或 Text2Timbre 文字生成的 192 维说话人向量，声码器输出 24kHz 波形。换声与增强绕过语言模型，使用源语音 token；声学训练仅见同一句语音的 token 与音色，不用成对换声目标。

• 实验效果：20 亿参数，Seed-TTS 中文 CER 字符错误率 0.78%、SIM 说话人余弦相似 0.784，CosyVoice3 为 1.12%/0.781；英文 WER 词错误率 1.66%却落后 Auk 的 1.02%。中文指令 APS（声学参数控制准确率）88.8%，英文 77.6%，FireRedTTS3 英文 80.7%。VoiceBank 含噪参考克隆，WER1.90%→1.45%、WavLM 相似 0.299→0.369。受控编码器对照中，第二阶段使换声自然度 NMOS3.64→3.91，但英文客观 WER2.67%→3.13%。

• 批判点评：自然度收益伴随内容准确与换声相似的取舍，不能写成第二阶段各指标全升。SIM、APS 和自然度回答不同问题；同评测表含引用公开结果与本方复测，非全部统一重训。因果模块也不自动保证低延迟，论文未给完整首包、实时因子或峰值显存。官方演示页可听样例，本次未核到公开权重与训练代码。

8. Spatial Transfusion：只移动钟声别把整个房间重录

Spatial Transfusion: From Structured Spatial Scene Understanding to Generation and Editing | 微软；卡内基梅隆大学 | arXiv:2611.02330

关键词：空间音频生成, 原子编辑, 模态路由, 一阶全景声

• 前序问题：让钟声从左移到右，背景风声和房间混响应该延续；按新描述重生整段，钟声动了，其他声源也可能全换掉。
• 方法直觉：让理解和生成共用骨干，但给声音和文字各自的适配器。编辑时把原音频直接交给去噪分支，教它每次只改一个场景因素，而不把旧场景仅压成文字。
• 本文贡献：采用四通道一阶全景声 FOA，保留全方位方向线索；16kHz 音频由 FOA-VAE 压到每秒 7.8 个、512 维潜变量。冻结 Sci-Phi 的 Phi-4 多模态骨干，新增文字秩 16、音频秩 640 低秩路径及输入/时间/输出模块，共 9.43 亿可训参数，对比全量 38.5 亿。文字因果预测，音频双向流匹配；编辑源潜变量还与带噪目标按通道拼接。12 种原子操作涵盖增删换源、移动、音量、音高与时间；四阶段从单源到至多 5 源，再接自然语言，共 460 万理解/生成场景、240 万编辑场景。

• 实验效果：主表是第三阶段结构化 JSON 条件、FOA-MEIR 留出集，生成/编辑 50 步，引导系数 3.5/4.0。生成 FAD-PSELD（兼顾声学事件与方向的分布距离）3.82→0.964，编辑 0.596→0.323，均相对同骨干全量微调且低更好。编辑 CLAP-AA 源输出语义相似 0.795→0.841，EditFLAM 语义修改响应 15.5→17.8；仅语义操作算后者。完全复制输入的距离 0.005 却修改分 0，说明保真不能代替改对。

• 批判点评：阶段 4 自然语言接口的编辑距离 0.772，不能拿阶段 3 的 0.323 宣传自由文字编辑。理解方向误差 13.6°→14.3°、声源数准确 0.674→0.635，整体保留能力不代表每项不退步。模型仍依赖模拟场景与固定操作体系，未报告统一墙钟/峰值显存，9.43 亿可训也不等于总模型只有这么大。细节可读原论文 PDF；所列项目页本次重定向到 GitHub 登录页，未核实公开音频样例或完整实现。

9. PATTS：等想法和画面可靠了再打分

PATTS: Parallel-Aware Test-Time Scaling for Thought-Image Generation in Multimodal Discrete Diffusion LLMs | 澳大利亚国立大学；CSIRO Data61；亚马逊 | arXiv:2611.04948

关键词：并行思考生图, 轨迹搜索, 可靠性门控, 测试时计算

• 前序问题：同时“想”和“画”的扩散模型，不一定越想越对。中间草图还没稳定就请视觉裁判评分，会淘汰本来能画对的轨迹；只挑最终图又浪费了前面的纠错机会。
• 方法直觉：同时养几条思考与画图轨迹，先看模型自己的不确定性和前后稳定度；等文字与画面足够一致，再增加外部裁判权重，提前淘汰较差路线。
• 本文贡献：MMaDA-Parallel 在同一离散去噪轨迹并行生成推理和图像 token。截点用最高概率填补未解码位置得到预览，取熵、前两名概率差、剩余遮挡比例、相邻预览重合、跨模态相似与排名稳定等 6 类特征。逻辑门混合标准化内部可靠性分与 Qwen2.5-VL-7B 的外部是/否概率；低可靠性时复用缓存裁判分，并按递减存活预算搜索。门参数在独立开发集固定，所谓信任是代理权重，不是已校准的正确概率。

• 实验效果：GenEval 含 553 提示、6 类任务，整体是类别准确率等权平均。512×512、32 次图像/128 次文字去噪、引导 4.0，N=32 指初始搜索轨迹数。4 次重复下，GenEval 无搜索 0.628、最终 32 选 1 为 0.787、FKD0.810、PATTS0.844±0.014。按论文生成模型前向计数 NFE，PATTS1796 次、平均验证 38.2 个预览、端到端 55.1 秒；FKD5280 次/160 个/154.9 秒，无搜索 161 次/9.9 秒。次数不是采样步数，也不包含独立裁判的全部计算。

• 批判点评：相对搜索方法更省，但比一次直出仍贵约 5.6 倍墙钟。全部完整方法实验只用一个主干，跨三基准不等于跨模型已验证；信任特征在 N=16 计数子集的排名一致仅 0.19 对时间门 0.17。arXiv 评论确认 WACV2027 接收，但所给 PATTS 仓库本次 GitHub 读取 404，按代码暂不可获取报告，未宣称可立即复现。

10. ScoreDial：把喜欢的程度变成可调刻度

ScoreDial: Precise Control of Visual Attributes in Image Generation via Regressor Guidance from Limited Human Ratings | 庆应义塾大学；普利司通 | arXiv:2611.05004

关键词：数值可控生图, 人评回归, 误差自适应, 独立审计

• 前序问题：“让房间更复杂”只指定方向，“复杂度 0.7”还要求落到指定刻度。若拿同一个评分器既指导生成又验收，模型可能只学会讨好分数。
• 方法直觉：先用少量人评学一把尺，数值条件把图推到大致位置，再按当前误差逐步修正；最后另请没参与生成的评分器和人看，确认画面属性真的变了。
• 本文贡献：每属性 100–479 张人评图训练冻结视觉特征上的岭回归 R；轮胎实际 118 张、室内 100、食物 479、肥皂 150。SD3.5-Medium 分别做域 LoRA，并把目标 c 的嵌入注入全部 Transformer 块。30 步采样前 20%不开梯度引导，其后对解码的干净估计计算(R(x)−c)²梯度，归一化方向，用当前误差与噪声确定幅度，每活动步共两次引导/重新加噪；不反传穿过整个去噪器。域训练池 984/100/479/800 张，不把有人评数与全部训练图数混说。

• 实验效果：1024×1024，目标 0.1/0.3/0.5/0.7/0.9 各 10 个种子，每属性 50 图。四属性 R 平均绝对误差 0.0069–0.0129；排序相关ρ=0.980 是五档并列目标下可达到的上限，非完美预测人类。独立 SigLIP 审计器仍用同批人评，但未参与训练生成器或引导；其轮胎端点位移 0.285，MPGD-flow 为−0.021。单 RTX5090、批 1，平均 29.5 秒/11.9GB，对纯数值提示 5.5 秒/7.7GB、MPGD-flow16.6 秒/11.9GB。

• 批判点评：轮胎与肥皂各 15 人盲评，平均人评分随目标变化的线性 R²为 0.665/0.786；不推广为四属性都做了同样人评。轮胎“防滑”是视觉印象，不是实测摩擦性能。独立骨干共用标签仍非完全独立人群，四窄域结果也不是万能语义旋钮。WACV2027 接收由 arXiv 评论确认；官方代码仓库含拟合、训练和生成脚本，说明插值梯度非确定性，不能保证同种子逐位复现；本次未运行模型。

趋势观察

要保留的是有用证据

ReXMo让身份与表情分路，FLASH让小图管布局，ReCR挑选历史。条件并非越多越好，关键是它是否仍支持目标修改。

速度必须带上计时口径

FLASH的25.3倍只指独立注意力诊断，主配置渐进端到端省30.5%；PATTS比搜索基线更快，却比一次直出更慢。

高相似与高分都需要反例

复制空间音频有极低分布距离却没做修改；ScoreDial的评分误差小，还要看独立审计与人评。源保真、执行完成和实际偏好分别核验。

参数不等于全部部署成本

ReCR不增加解码前向却保留全历史缓存；StepX少算训练阶段不含预训教师；TTSonic分离模块也仍缺端到端延迟证据。

今日讨论

ReXMo 的表情误差从 0.3415 降到 0.2905，但单人往返姿态距离只从 0.0263 到 0.0258，感知运动平滑 3.90 还低于 SCAIL 的 3.92。若双人表演中有人转头遮住半张脸，应如何验证新增表情通道保住了原来的情绪，而不是只在容易跟踪的合成脸上提高了关键点分数？

人工智能炼丹君 整理 | 2026-11-05