深度解读|字节Seed×UCSD VSA2|砍掉95%注意力计算 720p端到端快4.62倍 VSA2 深度解读：字节 Seed 与 UCSD 把视频稀疏注意力推到 95%，720p 端到端快 4.62 倍 论文：Improving Video Sparse Attention with Fine-grained Router and Sparse Rebasing 机构：UC San Diego · 字节跳动 Seed · UC Berkeley · Georgia Tech 作者：Peiyuan Zhang、Guoqiang Wei、Yilong Zhao、Zixiang Zhang、Wei Zhou、Will Lin、Heng Zhang、Xiaonan Nie、Yan Zeng、Hao Zhang（Peiyuan Zhang 与 Yilong Zhao 的工作完成于字节 Seed 实习期间） 日期：2026-09-26（arXiv 2609.32882） 代码：截至发稿未见 VSA2 的代码与权重；前代 VSA、STA 的 kernel 在 FastVideo 仓库（hao-ai-lab/FastVideo）开源 论文状态：arXiv 预印本，comment 字段为空，暂无接收信息 01 先说说这东西是干嘛用的 视频 DiT 越做越长、越做越清晰，最先扛不住的是注意力。 论文开头给了一个量级：一段 5 秒的高清视频，展开成 token 就超过 10 万个。3D 全注意力的计算量随序列长度平方增长，训练和推理的大头都落在注意力上。作者后面测速用的 720p、10 秒视频，是 22 万 token。 UCSD 这个组在更早的 STA 论文里给过一个更直观的数：HunyuanVideo 生成一段 5 秒 720P 视频总共要 945 秒，其中注意力就占了 800 秒。 大家早就知道注意力矩阵里大部分元素贡献很小，于是有了一大批稀疏注意力方法。但这里有一道分水岭： 只在推理时稀疏（Sparse VideoGen、SpargeAttn 这一类）：模型还是用全注意力训出来的，最贵的预训练阶段一点没省； 训练时就稀疏（VSA、SLA、SLA2 这一类）：理论上预训练也能省。但按作者的说法，这类方法在 post-training 阶段大约能稀疏掉 80%，再往上就碰到天花板；真正拿去做预训练的工作规模都偏小，评价主要只看 loss。 VSA2 想做的是后一类的"完整版"：一个能从预训练中途接入、一路用到 RL 和推理的可训练稀疏注意力。它在前代 VSA 的基础上改了两处结构，外加一套训练配方： 细粒度 router：选块时的池化粒度不再和 GPU 友好的块大小绑定，而是先用小得多的池化算注意力分数，softmax 之后再合并成块级分数； per-sequence TopK：总计算预算固定，但不再要求每个 query 分到一样多的 KV 块，难的 query 可以多拿； Sparse Rebasing：低分辨率阶段照旧用全注意力 checkpoint，到 480p/720p 这种最烧算力的阶段才切换成 VSA2；配合 Hard-to-Easy Curriculum，训练时稀疏度高、推理时放宽。 结果是这样的（论文 Table 2 与 Figure 8）： 设置 注意力稀疏度 加速 质量 480p 预训练，训练/推理都用 top64 90% 端到端 2.09× 人评与全注意力互有胜负 720p 预训练，训练/推理都用 top64 95% 端到端 4.62× 人评与全注意力基本持平 注意力算子，22 万 token（单卡 H800，对比 FlashAttention-3） top64 注意力 8.9× — 作者团队也值得一提。UCSD 这边是 Hao Zhang 组，STA、VSA 和 FastVideo 都出自这里，一作 Peiyuan Zhang 同时是 STA 和 VSA 的一作；另一半作者来自字节 Seed。所以这篇可以看成 VSA 这条路线第一次在完整的视频 DiT 训练流程里走通——从预训练、RL 到推理。 （图片来源：论文 Figure 3。样本来自 Table 2 中 Exp 6 的 checkpoint，每组上行是全注意力、下行是 VSA2；第一组和第三组是图生视频，中间一组是文生视频） 02 主要亮点，以及需要冷静看的地方 值得关注的地方： 全流程验证。480p 预训练、720p 预训练、RL、推理四个环节都换成了稀疏注意力，并且和同数据、同超参、同步数训出来的全注意力模型逐项对比。按作者的说法，这是第一个在视频 DiT 开发各阶段都端到端验证过的可训练稀疏注意力； "router 不需要学"有实验支撑。几组对照实验显示，让 router 接收梯度（不管是 NSA 式借道 coarse branch，还是 MoE 式直接反传），都不如完全不给梯度（Figure 7(c)(d)），结构因此更简单； 选块粒度和硬件块大小解耦。细粒度 router 配 top64，loss 比粗粒度 router 配 top128 还低（Figure 7(e)），fine branch 的计算量直接砍半； 稀疏预算按整条序列分配。per-sequence TopK 让每个 query block 拿到的 KV 块数可变，loss 比传统的 per-token TopK 低（Figure 7(f)）； 不用从头训。Sparse Rebasing 只在高分辨率阶段切换，新增参数只有一个零初始化的门控投影； "训难测易"换来更好的运动。用 top64 训、top128 推，文生视频运动质量的人评净胜率达到 22.1%（Table 2 Exp 2）； kernel 是认真做过的。router 的 GEMM、softmax、池化融合成一个 CuTe DSL kernel，fine branch 用 ThunderKittens 实现 block-sparse attention，22 万 token 下注意力比 FlashAttention-3 快 8.9 倍。 需要冷静看的地方： 人评的分辨率很粗。分数是（更好 − 更差）/ 149，每 0.67% 就是一条 prompt。720p 那一行"运动 +6.71%、指令跟随 −2.01%"，换算过来是净多赢 10 条、净少 3 条，多数格子都在统计噪声范围内（详见第 09 段）； "计算量减半"只算了 fine branch。把 router 自身的开销算进去，720p 下相对 VSA 的 top128，实际省下的注意力时间大约是三分之一（我按论文给的 router 耗时占比粗算，见第 10 段）； 没有外部 baseline。没有和 SLA、SLA2、VMoBA、Sparse VideoGen 在同一个模型上比，也没有 VBench 这类公开 benchmark，对比对象只有全注意力和 VSA/NSA 的设计变体； 模型、数据、代码都不公开。参数量、数据集、VAE 配置论文都没写，外部无法复现； 训练省了多少没给数。论文动机是降低预训练成本，但给出的加速全在推理侧，没有训练吞吐或 GPU 小时的对比； Hard-to-Easy 有代价。运动变好了，指令跟随和美学却下降（Exp 3 的文生视频指令跟随净输 15.4%），需要再做一轮更高 top-K 的 RL 才能拉回来； 30 秒长视频只有抽帧展示，没有全注意力对照，也没有量化指标； 扩展性有两个已知隐患：router 的相对开销固定在全注意力的 $1/R^2$ 左右，序列更长时会变成瓶颈；动态稀疏模式和 Ring-Attention 序列并行不好配合。这两点作者在附录里自己承认了。 03 视频稀疏注意力这条赛道现在什么样 先把 VSA2 放回坐标系里。视频 DiT 的稀疏注意力大致分三拨。 第一拨：免训练，只管推理。 拿一个用全注意力训好的模型，推理时找出不重要的注意力块跳过。代表是 Sparse VideoGen（在线判断每个头是"空间头"还是"时间头"，在 CogVideoX-v1.5 和 HunyuanVideo 上端到端最高 2.28 倍和 2.33 倍），以及 SpargeAttn、XAttention、Radial Attention 等。STA 算半只脚在这里：它用固定的 3D 滑动 tile 窗口，免训练时 HunyuanVideo 从 945 秒降到 685 秒，允许微调后降到 268 秒。 这一拨的共同问题是模型没见过稀疏，稀疏度一高就容易掉质量，而且预训练成本一分没省。 第二拨：微调之后稀疏。 在已有模型上用少量步数把稀疏注意力"训进去"。清华的 SLA 把注意力权重分成关键、边缘、可忽略三类，关键部分走稀疏注意力、边缘部分走线性注意力，在 Wan2.1-1.3B 上注意力计算省 95%，端到端 2.2 倍；后续的 SLA2 加上可学习 router 和量化感知训练，把稀疏度推到 97%。VSA 也做过类似的改造：把 Wan-2.1 换成稀疏注意力后，注意力提速 6 倍，端到端从 31 秒降到 18 秒。 第三拨：预训练就稀疏。 DSV、VSA 都尝试过从预训练阶段就用稀疏注意力。VSA 当时从 6000 万参数一路做到 14 亿参数的 scaling 实验，找到一个训练 FLOPs 降 2.53 倍、diffusion loss 不掉的点。但正如 VSA2 自己指出的，这些实验规模偏小，评价主要看 loss，没有人评和视觉对比。 LLM 那边的两条线也是 VSA2 的直接参照： DeepSeek 的 NSA：压缩、选择、滑窗三路注意力，同一 GQA 组内的 query 头共享稀疏模式，选块分数借用压缩分支； Moonshot 的 MoBA：对 key 块做均值池化当门控，不带可训练参数。 VSA2 的不少消融实验，就是在回答"LLM 这套设计搬到视频上还成不成立"。 所以 VSA2 的位置很清楚：沿着 VSA 的 coarse-to-fine 框架，把"预训练就稀疏"推进到完整的视频 DiT 训练流程里，并重新设计了 router。 04 旧 router 卡在哪：两个结构性天花板 先把 coarse-to-fine 框架讲清楚，VSA2 的改动都在它上面动刀。 以 VSA 为例，一层稀疏注意力分两步： coarse branch（粗粒度支路）：把相邻的 B 个 token（在视频里是一个 $B_t\times B_h\times B_w$ 的小立方体，下面叫 cube）的 Q、K、V 各求平均，得到长度为 $L/B$ 的短序列，在上面做一次全注意力。这一步既产出一份粗粒度的注意力输出，又得到一张 cube 与 cube 之间的亲和度分数图； 选块 + fine branch（细粒度支路）：每个 query cube 在分数图里挑 TopK 个最相关的 key cube，然后只在这些 cube 对里做逐 token 的 block-sparse attention。 为了让 GPU 算得快，block-sparse attention 的块大小 B 通常取 64 或 128，这是硬件决定的。问题在于，以往的 router 顺手把池化步长也设成了 B——一个 cube 的 128 个 token 被压成一个向量去算分数。 作者认为这带来两个结构性天花板。 天花板一：池化太粗，看不清关键 token。 128 个 token 的平均值会把 $\mathbf{QK}^\top$ 里的细节抹平。长视频、高分辨率下，这种"混叠"要么让真正关键的 token 漏选、质量下降，要么逼着你多选块、稀疏度上不去。 天花板二：每个 query 分到的预算一样多。 标准的 per-token TopK 要求每个 query 看同样数量的 KV。简单的 query 浪费算力，难的 query 又吃不饱。稀疏度一往上推，最先饿着的恰恰是最需要上下文的那些 query。 从公式上看更清楚。假如算力无限，最理想的选块分数应该是先算完整的 token 级注意力 $\mathbf{A}$，再按块求平均： $$\mathbf{A}=\mathrm{Softmax}\big(\mathbf{Q}\mathbf{K}^\top/\sqrt{D}\big)$$ $$\mathbf{P}_{oracle}=\mathrm{MeanPool}_{B\times B}(\mathbf{A})$$ VSA 的 coarse branch 则是把池化挪到了 softmax 前面，先按整个 cube 池化出 $\mathbf{Q}_c=\mathrm{MeanPool}_B(\mathbf{Q})$、$\mathbf{K}_c=\mathrm{MeanPool}_B(\mathbf{K})$，再算注意力： $$\mathbf{P}_c=\mathrm{Softmax}\big(\mathbf{Q}_c\mathbf{K}_c^\top/\sqrt{D}\big)$$ 如果注意力是线性的，两者相等；但 softmax 是非线性的，所以这只是近似，精度取决于"cube 内部的 token 足够相似"这个局部性假设。cube 越大，这个假设越站不住。 VSA2 的解法，一句话就是：只在 router 里把 cube 切得更细。下图左边是以往的 router，右边是 VSA2 的细粒度 router，细节放到第 07 段讲。 （图片来源：论文 Figure 1。左：VSA 等方法使用的常规 router，Q、K 都按整个 cube 池化，softmax 之后直接 TopK；右：VSA2 的细粒度 router，先按小得多的尺寸 R 池化 Q、K，softmax 之后再按 G×G 做分数池化，最后 TopK） 05 router 要不要学？作者先做了一组拆解实验 （05～07 三段偏技术，只想看结果的可以直接跳到 08。） 改 router 之前，作者先回答了一个更根本的问题：router 的选块能力到底从哪来？ 这件事在 MoE 里很明确：router 的打分会乘到专家输出上，梯度能流回来，router 是学出来的。但在稀疏注意力里，TopK 选出的是一张布尔 mask，fine branch 的梯度流不回 router。VSA 的 coarse branch 虽然有梯度（来自它自己的输出 $\mathbf{O}_c$），但这份梯度并不来自选块结果。 于是有两种假说： 局部性启发：相邻 token 本来就相似，均值池化出来的 cube 特征已经够用，router 根本不需要参数和梯度。MoBA、Quest 是这个思路； 辅助监督：router 和 coarse branch 共享参数，coarse branch 的梯度虽然不直接针对选块，但顺带把 router 也练好了。NSA 属于这种。 作者设计了几组参数量对齐的消融： （图片来源：论文 Figure 7。(a) 全注意力设置下 GQA（4 组）与 MHA 的训练 loss；(b) "按头分组 + 按邻域分组"的混合方案与纯"按邻域分组"对比；(c) router 的 QKV 绑定 coarse branch 还是 fine branch；(d) MoE 式可反传 router 与 VSA 对比；(e) 有无细粒度 router、top64 与 top128 对比；(f) per-token 与 per-sequence TopK 对比。除 (f) 从 256p 视频 checkpoint 初始化外，其余都从头训练；(b)(e)(f) 的放大插图是训练末段） 先看 router 相关的两组： (c) router 绑谁：把 coarse branch 和 fine branch 的 QKV 投影拆开，让 router 跟 coarse branch 共用 QKV（能收到 $\mathbf{O}_c$ 的梯度），或者跟 fine branch 共用（相当于 MoBA 式的无梯度 router）。结果后者 loss 更低； (d) 直接给 router 梯度：仿照 FFN 里的 MoE，coarse、router、fine 各用一套独立的 QKV，fine branch 的输出再乘上 router 的打分，让 router 直接拿到梯度。结果这种 MoE 式反传并不比原版 VSA 好。 结论是：在视频扩散模型里，复杂的可学习 router 没必要，无梯度 router 就够了，效果还更好。 既然 router 不学，能改进的就只剩"无梯度 router 本身的精度"，这就引出了细粒度 router。 同一张图里还有两组是针对 NSA 设计的： (a) GQA vs MHA：全注意力下，MHA 的训练 loss 明显低于 4 组的 GQA。LLM 用 GQA 主要是为了解码时省 KV cache，视频 DiT 是双向、整段去噪，没有这个约束； (b) 按头分组 vs 按邻域分组：NSA 让同一 GQA 组内的 query 头共享稀疏模式（group head）；VSA2 让时空上相邻的 query token 共享（group neighbour）。有效组大小相同时，纯 group neighbour 更好。 我的看法：这组实验的结论很干脆，但有两点要留个心眼。一是 (a)～(d) 和 (f) 都只训了 1 万步，(e) 也只有 3 万步，全是单次运行，没给多随机种子的方差；二是 (e)(f) 两组的差距要靠放大插图才分得清，曲线大部分时候是重叠的。结论的方向我倾向于相信，但"显著更低"的说法要打个折。 另一个有意思的对照是 SLA2。SLA2 的核心卖点恰恰是可学习 router，VSA2 却说 router 不用学，两篇结论看似相反。不过场景不同：SLA2 是在训好的 Wan2.1 上做短程微调，router 要在很少的步数里适配一个现成的全注意力模型；VSA2 是数万步的预训练，网络的其他部分有足够时间去适应一个固定的 router。我的理解是，在预训练尺度上，与其让 router 学会挑块，不如让模型学会适应 router。 06 VSA2 的整体结构：两条支路、一个 router、一扇门 （图片来源：论文 Figure 2。左侧 coarse branch 把 Q、K、V 按 cube 池化后做 cube 级全注意力，再 Repeat 回原分辨率，乘上由 Gate 投影经 Tanh 得到的门控值；右侧细粒度 router 产出块级 mask M，交给 BlockSparseAttn 计算 fine branch；两路输出相加得到最终结果） 按数据流走一遍。 第 0 步：重排。 把 token 从逐行扫描的顺序重排成逐 cube 的顺序，让同一个 cube 里的 token 在内存里挨着。注意力是整个 Transformer 里唯一依赖 token 顺序的算子，所以这个重排只需在网络开头做一次，RoPE 位置编码跟着一起重排即可。 coarse branch：和 VSA 一样。 按 cube 做均值池化，在 $L/B$ 长度的序列上做全注意力，再把输出复制回每个 token。作者也试过 NSA 式的池化和基于注意力的池化，都没比简单的均值池化更好。 fine branch：只算选中的块。 用 router 给出的 mask 做 block-sparse attention。文本条件部分照 MMDiT 的做法处理：视频到文本、文本到视频的注意力保持完整，不做稀疏。 门控合并： $$\mathbf{O}=\tanh(\mathbf{X}\mathbf{W}_g)\odot\mathbf{O}_c+\mathbf{O}_f$$ $\mathbf{X}$ 是这一层的隐状态，$\mathbf{W}_g$ 是一个单通道投影，每个 token、每个头算出一个门控值，用来调节 coarse branch 的贡献；fine branch 的输出直接加上去。 这扇门的初始化很关键，第 08 段会讲到：$\mathbf{W}_g$ 是 VSA2 唯一新增的参数，初始化为零。 router 是 VSA2 相对 VSA 真正动刀的地方，单独拿出来讲。 07 细粒度 router：先小池化，softmax 之后再合并 VSA2 把 router 从 coarse branch 里拆了出来，单独用一个小得多的池化尺寸 R（见第 04 段的 Figure 1 右图）。记 $\mathbf{Q}_r=\mathrm{MeanPool}_R(\mathbf{Q})$、$\mathbf{K}_r=\mathrm{MeanPool}_R(\mathbf{K})$，router 的块级分数是： $$\hat{\mathbf{P}}=\mathrm{Softmax}\big(\mathbf{Q}_r\mathbf{K}_r^\top/\sqrt{D}\big)$$ $$\mathbf{P}_r=\mathrm{MeanPool}_{G\times G}(\hat{\mathbf{P}})$$ 拆开是三步，作者叫它 pool-softmax-pool： 小池化：每 R 个相邻 token 求平均（R 远小于 B），序列长度从 L 缩到 L/R； softmax：在这个"半粗粒度"的序列上算注意力分数； 再池化：把一对 cube 之间的 G×G 个分数求平均（G = B/R），得到 N×N 的块级分数。 它夹在两个极端之间：比 oracle 便宜得多（序列只有 L/R 长），又比 VSA 的 coarse branch 保留了更多 cube 内部的差异。换个说法，池化有一部分挪到了 softmax 之后，非线性造成的失真就小一部分。 论文没给具体的 B 和 R，但可以反推。 附录给了稀疏度的估算公式： $$\text{Sparsity}\approx 1-\Big(\frac{1}{R^2}+\frac{KB}{L}\Big)$$ 其中 $1/R^2$ 是 router 的开销（相对全注意力），$KB/L$ 是 fine branch 的开销（平均每个 query block 看 K 个 KV block），coarse branch 的 $1/B^2$ 小到可以忽略。 把 Table 2 的三组数代进去：480p（约 9.9 万 token）top64 时稀疏度 0.90、top128 时 0.82，720p（约 22 万 token）top64 时 0.95。两个 480p 的数一减，$64B/99\text{K}\approx0.08$，B 应该是 128；再代回去，R 取 8 时三个数都能对上（算出来是 0.902、0.819、0.947），取 4 或 16 都对不上。所以我推断 VSA2 用的是 B = 128、R = 8、G = 16——这是我的推算，论文正文没有写。 这组参数能说明几件事： router 的开销恒定在全注意力的 1/64，约 1.6%，跟序列长度无关； 720p 下约有 1719 个块，每个 query block 平均只看其中 64 个，也就是 3.7%； fine branch 的相对开销随序列变长而下降，所以同样的 top64，分辨率越高稀疏度越高。这正是作者强调的"从 480p 到 720p 不需要调大 top-K"。 per-sequence TopK：预算按整条序列分。 传统做法是每个 query block 各挑 K 个；VSA2 把 N×N 的分数矩阵拉平，在整条序列上一次挑出 N×K 个块对，各个头的预算相同。总计算量不变，但每个 query block 分到的 KV 块数可以差很多。Figure 7(f) 显示这样做的 loss 比 per-token 低一点；作者也试过按累计概率截断的 top-p 类方法，没有正向结果。 下面是按论文公式写的示意代码，方便对照理解（不是官方实现，真实 kernel 不会物化中间的注意力矩阵）： import torch @torch.no_grad() # router 不接收梯度 def fine_grained_router(q, k, R, topk): # q, k: [H, N, B, D]，已按 cube-major 重排； # 假设每个 block 内按 G 个大小为 R 的子立方体连续存放 H, N, B, D = q.shape G = B // R # MeanPool_R -> [H, L/R, D] qr = q.reshape(H, N * G, R, D).mean(dim=2) kr = k.reshape(H, N * G, R, D).mean(dim=2) # softmax -> [H, L/R, L/R] scores = qr @ kr.transpose(-1, -2) / D ** 0.5 p_hat = scores.softmax(dim=-1) # MeanPool_{GxG} -> [H, N, N] p = p_hat.reshape(H, N, G, N, G).mean(dim=(2, 4)) # per-sequence TopK：整条序列一起挑 N * topk 个块对 idx = p.reshape(H, N * N).topk(N * topk, dim=-1).indices mask = torch.zeros(H, N * N, dtype=torch.bool, device=q.device) mask.scatter_(1, idx, True) # 每行（query block）选中的块数可以不同 return mask.reshape(H, N, N) 融合 kernel：中间矩阵不能写出来。 上面代码里的 p_hat 是 (L/R)×(L/R) 大小。按我反推的 R = 8，22 万 token 时每个头约有 7.6 亿个元素，BF16 下约 1.5 GB，20 个头就是约 30 GB，物化出来显存和带宽都扛不住。 所以作者用 CuTe DSL 写了一个融合 kernel，把 GEMM、softmax 和 G×G 池化合在一起： （图片来源：论文 Figure 5。Q、K 先按 R 池化成 Qr、Kr；第一遍在 SRAM 上逐块计算 softmax 之前的注意力分数并累积 log-sum-exp；第二遍重新计算注意力块、做 softmax，并直接在 SRAM 上完成 G×G 池化，只把 L/B × L/B 的块级分数写回 HBM） $\mathbf{Q}_r\mathbf{K}_r^\top$ 要算两遍，多了一次计算，但换来 I/O 大幅减少。作者称比不融合的版本明显更快，但没给具体倍数。这是典型的用计算换访存，和 FlashAttention 的思路一脉相承。 08 训练配方：Sparse Rebasing 与 Hard-to-Easy 结构讲完，再看怎么训。对想在自家训练流程里用的人来说，这部分可能比结构本身更有参考价值。 先交代训练设置。 模型结构大体沿用 MMDiT，目标是 flow matching（预测速度），文生视频和图生视频联合训练；时间步采样用 logit-normal 分布，并按分辨率做偏移；工程上用了 FSDP、序列并行、激活重计算和 torch.compile。训练分三段：480p 预训练、720p 预训练，以及从 480p checkpoint 出发的 RL。所有阶段的训练片段都是 5～12 秒、多种长宽比。参数量、数据集、VAE 配置，论文都没有写。 Sparse Rebasing：只在最贵的阶段切换。 现在的视频 DiT 普遍走渐进式训练：先图像，再低分辨率短视频，最后高分辨率长视频。VSA2 从一个用全注意力训到 256p 的视频 checkpoint 出发，到 480p、720p 预训练和 RL 阶段才换成 VSA2。 切换之所以平滑，靠的是那扇门：$\mathbf{W}_g$ 零初始化，刚切换时 $\mathbf{O}=\mathbf{O}_f$，输出只来自 fine branch，也就是用同一套 Q、K、V 做的稀疏注意力，对原模型的扰动最小。coarse branch 的贡献之后再慢慢学出来。 这个思路和 MoE 从稠密模型 upcycling 很像（这是我的类比）。好处有两个：一是可以直接复用全注意力训好的文生图、低分辨率视频 checkpoint；二是低分辨率阶段序列本来就短，稀疏注意力省不了多少，没必要在那里折腾。 Hard-to-Easy Curriculum：训得难，测得松。 训练时用更激进的稀疏度（top-K 小），推理时放宽（top-K 大）。Table 2 的 Exp 1～4 对比了 top32/top64 训练与 top64/top128 推理的几种组合，规律很一致：推理时的 top-K 比训练时大，运动质量就更好。 最突出的是 Exp 2（top64 训、top128 推），文生视频运动质量人评净胜 22.1%。 但代价也很一致：指令跟随和美学变差。 Exp 3（top32 训、top128 推）的文生视频指令跟随净输 15.4%。 作者对这两个现象的解释是： 运动变好，是类似结构化 dropout 的正则效果； 指令跟随变差，是训练与推理不一致造成的。MMDiT 里视频和文本 token 共用一个注意力空间，推理时多看了视频 token，分给文本 token 的注意力就被稀释了。 对应的补救办法是：拿 top64 预训练好的 checkpoint，在 RL 阶段改用 top128 再训一轮（Exp 6）。结果文生视频的指令跟随和美学基本拉回持平（−2.01%、0.00%），运动质量仍然保持优势（文生 +7.38%、图生 +8.05%）。 RL 用的是 reward feedback learning，不是 GRPO 或 DPO。 模型直接预测干净视频 $x_0$，由一个基于 VLM 的奖励模型和一个基于 CLIP 的奖励模型打分，梯度直接穿过奖励模型回传给 DiT。一个值得肯定的细节：奖励权重是在全注意力 checkpoint 上调的，VSA2 直接沿用、不做任何调整。这对 VSA2 来说是偏保守的比较方式。 （图片来源：论文 Figure 4。(a) 480p 预训练和 (b) 720p 预训练的训练 loss，VSA2（蓝）整体略低于全注意力（绿），放大插图里才看得清差距；(c) 480p RL 阶段的美学 reward 与运动 reward，两种注意力的曲线基本重合） 90%～95% 稀疏度下 loss 反而略低于全注意力，这一点值得多想一下。我的一个猜测是：VSA2 并不是全注意力的"子集"，coarse branch 额外提供了一条带门控的全局汇总通路，相当于多了一点结构上的归纳偏置。论文没有做去掉 coarse branch 的消融，这个问题目前没有答案。 09 人评表怎么读：每 0.67% 就是一条 prompt VSA2 的质量评估主要靠两样：训练 loss（作者引用 Movie Gen 的结论，认为它和人类偏好相关性好），以及 149 条人工挑选的高难度 prompt 上的成对人评。 人评规则是：同一条 prompt 下 VSA2 和全注意力各生成一个 10 秒视频，评分员判"更好、一样、更差"，最后报告（更好 − 更差）/ 149。评测分辨率是 480×864（约 9.9 万 token）和 720×1280（约 22 万 token），用的是 EMA checkpoint。 这意味着表里的每个百分比都能换算回"净多赢了几条"：1/149 ≈ 0.67%。先看七组实验的配置： Exp 阶段 训练 / 推理 top-K 注意力稀疏度 端到端加速 1 480p 64 / 64 0.90 2.09× 2 480p 64 / 128 0.82 1.92× 3 480p 32 / 128 0.82 1.92× 4 480p 32 / 64 0.90 2.09× 5 480p RL 64 / 64 0.90 2.09× 6 480p RL 64+128 / 128 0.82 1.92× 7 720p 64 / 64 0.95 4.62× 再看人评结果，括号里是我按 ×149 换算的净条数： Exp 文生·运动 文生·指令跟随 文生·美学 图生·运动 图生·指令跟随 1 −1.34%（−2） +1.34%（+2） −0.67%（−1） +8.72%（+13） +1.34%（+2） 2 +22.1%（+33） −3.36%（−5） −4.7%（−7） +6.71%（+10） −8.72%（−13） 3 +7.38%（+11） −15.4%（−23） −4.7%（−7） +11.4%（+17） −9.4%（−14） 4 +12.1%（+18） −10.1%（−15） −7.38%（−11） +4.03%（+6） −4.03%（−6） 5 −4.03%（−6） +1.34%（+2） −2.01%（−3） +8.05%（+12） −4.7%（−7） 6 +7.38%（+11） −2.01%（−3） 0.00%（0） +8.05%（+12） −2.69%（−4） 7 +6.71%（+10） −2.01%（−3） +1.34%（+2） +0.67%（+1） −1.34%（−2） （数据来源：论文 Table 2，正数表示 VSA2 优于同阶段的全注意力模型；括号内的净条数是我的换算） 几个读法： 第一，720p 那一行才是标题数字对应的质量。 95% 稀疏、端到端 4.62 倍的情况下，五项指标里净差最大的是文生视频运动 +10 条，其余都在 3 条以内。说"与全注意力基本持平"是站得住的。 第二，多数格子在噪声范围内。 论文没报告平票比例。我粗算了一下：假如 VSA2 和全注意力其实一样好，且有一半是平票，那么净胜条数的标准差约为 8.6 条，也就是 ±5.8%。按这把尺子量，超出两个标准差的只有 Exp 2 的文生运动（+22.1%）和 Exp 3 的文生指令跟随（−15.4%），Exp 4 的文生运动（+12.1%）刚好擦线。也就是说，Hard-to-Easy 对运动的提升和对指令跟随的损害是可信的信号，其余的正负差别大多分辨不出来。 第三，正文有一处表述不严谨。 论文说 Exp 2 中"评分员认为 22.1% 的 VSA2 文生视频样本运动更好"，但按它自己的计分规则，22.1% 是净胜率（更好减更差），不是"更好"的比例。实际被判为更好的比例只会更高。 第四，图生视频的运动几乎全线为正。 7 组实验里只有 Exp 7 接近 0，其余都在 +4%～+11.4%。单看每格都不算显著，但方向一致，值得后续验证。 作者还做了一个挺有说服力的分析：把 Exp 1 里两个分别训练的 checkpoint（一个 VSA2、一个全注意力）的注意力图并排对比，训练 6 万步之后两者的注意力模式仍然高度相似（论文 Figure 6）。以往的分析一般是拿全注意力模型推理时的注意力图做 profiling，这里是两个独立训练的模型直接对比，更能说明稀疏训练没有把模型带偏。 10 速度到底从哪来 （图片来源：论文 Figure 8。单张 H800、batch 1、20 个头、head dim 128、top64；统计的是 Figure 2 中除 QKV 投影之外所有算子的总耗时。橙线是 FlashAttention-3，蓝线是 VSA2，虚线是 VSA2 的 router、fine branch、coarse branch 分项耗时） 算子层面：22 万 token（对应 720p、10 秒）时，VSA2 的注意力比 FlashAttention-3 快 8.9 倍。序列越长差距越大，图里 43.6 万 token 处 FA3 已经超过 3000 毫秒，VSA2 仍在几百毫秒以内。 router 的开销不小：22 万 token 时占注意力总耗时的 22%，43.6 万 token 时升到 30%。 理想与实测之间还有空间。 95% 稀疏意味着计算量只剩约 5%，按 FLOPs 算理想加速接近 20 倍，实测是 8.9 倍。差出来的部分，一块是 router 自己（22%），另一块我推测来自 block-sparse 的访存开销，以及每个 query block 选中块数不等带来的负载不均。论文没有给 fine branch 单独的 MFU，没法细拆。 端到端层面：720p 端到端 4.62 倍，比注意力的 8.9 倍低一截，因为 DiT 里还有线性层、归一化，以及文本编码、VAE 解码等开销。论文没有说明端到端计时具体包含哪些环节、用了几张卡、多少步。 用 Amdahl 定律倒推一下（我的粗算，假设 8.9 倍对端到端里的所有注意力都成立）：全注意力时，注意力约占 720p 端到端时间的 88%；换成 VSA2 之后，注意力只剩端到端时间的 46% 左右，非注意力部分反而占了一半以上。 这有一个直接推论：在 720p 这个量级，继续压注意力的边际收益已经在变小，下一步的大头在步数蒸馏、特征缓存、量化这些手段上。论文也提到，稀疏注意力和这些方法基本正交。 "计算量减半"要打个折。 摘要说 VSA2 比 VSA "注意力计算减半、loss 还更低"，依据是 Figure 7(e)：细粒度 router 配 top64 优于粗粒度 router 配 top128，fine branch 的计算量确实减半。但 router 本身不是免费的。 按论文给的 22% router 耗时占比粗算：VSA2 的注意力耗时里，fine branch（连同很小的 coarse branch）约占 78%；换成 VSA 的 top128，这部分翻倍，总耗时约为 VSA2 的 1.56 倍。也就是说，VSA2 相对 VSA 实际省下的注意力时间约 36%，大约三分之一。如果改按附录的 FLOPs 公式和我反推的参数算，720p 省 29%、480p 省 41%。数字依然可观，但不是一半。 router 的开销会越来越显眼。 按稀疏度公式，router 的相对开销固定在 $1/R^2$，fine branch 的相对开销 $KB/L$ 随序列变长而下降。按我反推的 B = 128、R = 8、K = 64，两者在 $L=KBR^2\approx52$ 万 token 时持平。作为参照，1080p、10 秒视频按 720p 的 22 万 token 等比例换算约 49.5 万 token，已经贴着这个拐点，而 1080p 正是作者在附录里写的下一步。到那时，要么把 R 调大（router 更便宜，但也更粗），要么就得换一种分层的 router。 11 30 秒长视频：是个信号，还不是结论 （图片来源：论文 Figure 11，附录。样本来自 Exp 6 的 checkpoint，四组 30 秒视频的抽帧：雪山滑雪、水中追球的小狗、乡间土路上开旧卡车的男人、客厅里弹钢琴的男人） 论文附录展示了一组 30 秒视频：训练数据最长只有 12 秒，模型直接生成了 30 秒，作者称"没有明显退化"，并把它当作 VSA2 能往分钟级视频扩展的早期证据。 这组结果值得看，但证据力度有限： 没有全注意力对照。30 秒这组只有 VSA2 自己的样本，分不清长度泛化能力来自稀疏注意力还是模型本身； 没有量化指标，也没说明生成分辨率和 token 数； 抽帧看不出时序问题。比如第二行最后一帧，小狗和水花已经糊成一团，是剧烈运动的正常模糊还是长时退化，单凭抽帧判断不了。作者提到补充材料里附了视频文件。 不过有一点是确定的：30 秒视频的 token 数是 10 秒的三倍左右，全注意力的计算量就是九倍。越是这种长度，稀疏注意力的收益越大。 作者在附录里写了两个后续方向：一是做 1080p，二是和 Self-Forcing 这类自回归视频生成方法结合。后者逐块生成视频，天然需要高效的长上下文注意力。 12 想自己用要注意什么 现状：截至发稿，VSA2 的代码和权重都没有公开。前代 VSA、STA 的 kernel 在 FastVideo 仓库里开源，VSA2 的 fine branch 和 VSA 一样用 ThunderKittens 实现 block-sparse attention，复现有现成的起点；需要自己补的是细粒度 router 的融合 kernel，以及支持每个 query block 选中块数不等的调度。 如果想照着复现，关键配置是这些（B、R 为我的反推）： 块大小 B = 128（cube 的三维切法论文没给），router 池化尺寸 R = 8，G = B/R = 16； 平均每个 query block 选 64 个 KV block，用 per-sequence TopK，各个头预算相同； router 不接收梯度，Q、K 直接用 fine branch 的投影结果； 门控 $\mathbf{W}_g$ 零初始化，coarse branch 的输出乘 tanh 门控后与 fine branch 相加； 与文本相关的注意力保持完整。 训练配方上的建议： 不要从头训。低分辨率阶段保留全注意力，到 480p 以上再切换； 如果想用 Hard-to-Easy 换运动质量，最后记得用推理时的 top-K 再做一轮 RL 或微调，否则指令跟随会掉； 序列并行优先用 Ulysses（按头切分）。VSA2 每个头的计算量相同，Ulysses 下负载天然均衡；Ring-Attention 按序列切分，而 per-sequence TopK 选中的 KV 块可能集中在少数分片上，GPU 之间会负载不均。这是作者在附录里承认的限制。 如果你手上是开源模型、只想加速推理：VSA2 需要训练，不是即插即用的方案。在 Wan2.1 这类开源模型上，SLA、VSA 这类微调方案，或者 Sparse VideoGen 这类免训练方案，代码都已经开源，现在就能用。 硬件：测速只在 H800 上做过，kernel 依赖 ThunderKittens 和 CuTe DSL，换到其他架构的卡上需要重新评估。 13 需要留意的限制 前面零散提过，这里集中说。 1. 人评样本少、粒度粗。 149 条 prompt，每格的分辨率是 0.67%。论文没报告评分员人数、是否盲评、平票比例和评分一致性。除了 Hard-to-Easy 带来的运动提升和指令跟随下降，其余多数差异都在统计噪声以内。"与全注意力持平"的结论站得住，"部分场景超过全注意力"需要更大的评测集来确认。 2. 没有外部 baseline，没有公开 benchmark。 对比对象只有同条件训练的全注意力，以及 VSA/NSA 的设计变体。没有在同一个模型上比 SLA、SLA2、VMoBA、Sparse VideoGen，也没有 VBench 之类的公开指标。 3. 无法复现。 模型参数量、数据集、VAE、训练算力都没公开，代码和权重也没放出，外部读者只能相信内部实验。 4. 训练加速没有量化。 论文的出发点是预训练成本，但所有加速数字都来自推理。Sparse Rebasing 到底省了多少 GPU 小时、训练吞吐提升多少，没有给。 5. "计算量减半"没算 router。 算上 router，720p 下相对 VSA 实际省下约三分之一（见第 10 段）。 6. 消融的统计强度一般。 Figure 7 的消融是 1 万到 3 万步的单次运行，(e)(f) 的差距要靠放大插图才看得见，没有多随机种子。 7. Hard-to-Easy 的代价要靠额外训练来补。 运动质量的提升伴随着指令跟随和美学的下降，要再做一轮更高 top-K 的 RL 才能恢复。工程上意味着训练和推理要维护两套 top-K 配置。 8. 扩展性隐患。 router 的相对开销固定在 $1/R^2$，按反推参数在约 52 万 token（接近 1080p、10 秒）时会追平 fine branch；动态稀疏和 Ring-Attention 不好配合。这两点作者都在附录里承认了。 9. 长视频证据薄弱。 30 秒生成只有抽帧展示，没有全注意力对照和量化指标。 10. 端到端测速条件不透明。 端到端加速用的硬件、GPU 数、采样步数、是否包含文本编码与 VAE 解码，论文都没交代。 14 横向对比表格 下面这张表是我按各论文公开信息整理的，不是论文原表。各方法的模型、硬件、分辨率、baseline 都不同，加速倍率跨行不能直接比较。 方案 何时引入稀疏 怎么选块 选块器是否学习 报告的稀疏度 论文报告的加速 VSA2（2026.09） 预训练中途接入，覆盖 RL 与推理 细粒度 pool-softmax-pool，per-sequence TopK 否，无梯度 90%～95% 注意力 8.9×（H800，对比 FA3）；720p 端到端 4.62× VSA（2025.05，NeurIPS 2025） 从头预训练，或改造已有模型 cube 级 coarse attention 的分数，逐 query block TopK 与 coarse branch 共享参数 — 训练 FLOPs 降 2.53×；Wan-2.1 注意力 6×，端到端 31 秒→18 秒 SLA（2025.09） 微调 按注意力权重分关键、边缘、可忽略，边缘部分走线性注意力 启发式划分 注意力计算省 95% 注意力 13.7×；Wan2.1-1.3B 端到端 2.2× SLA2（2026.02） 微调 + 量化感知训练 可学习 router 决定走稀疏还是线性 是 97% 注意力约 18.6×；Wan2.1-14B-720P 端到端 4.35×（RTX 5090，排除 CPU offload 开销） STA（2025.02，ICML 2025） 免训练或微调 固定的 3D 滑动 tile 窗口 无选块器 — HunyuanVideo 端到端 945 秒→685 秒（免训练）、268 秒（微调） Sparse VideoGen（2025.02） 仅推理 在线 profiling，把头分成空间头和时间头 不需要训练 — 端到端最高 2.28×（CogVideoX-v1.5）、2.33×（HunyuanVideo） NSA / MoBA（2025.02，LLM） 预训练 NSA：压缩分支打分，GQA 组内共享；MoBA：key 块均值池化做门控 NSA 借道压缩分支获得梯度；MoBA 无参数 — 语言模型，不直接可比 几点解读： VSA2 真正的差异化不在倍率，而在"何时引入稀疏"那一列。 表里其他视频方法要么只管推理，要么在现成模型上微调，VSA2 是唯一在完整的视频 DiT 训练流程里（预训练 + RL + 推理）端到端验证过的； "router 要不要学"，各家答案不同。 SLA2 押注可学习 router，VSA2 的消融说不用学。两者一个是微调、一个是预训练，场景不同，目前还谈不上谁对谁错； 单看倍率，SLA2 在 Wan2.1-14B-720P 上的 4.35 倍和 VSA2 的 4.62 倍量级相当，但模型、硬件、测速条件都不同，不能据此排高下。更实际的差别是门槛：SLA2 可以拿开源模型直接微调，VSA2 得从预训练阶段就改，对大多数团队来说前者容易得多。 15 总结感受 我觉得这篇论文最大的价值，是把"可训练稀疏注意力"从一个小规模、只看 loss 的研究结论，变成了一个在完整视频 DiT 训练流程里走通的工程方案。预训练、RL、推理都换成 90%～95% 稀疏的注意力，人评还能和全注意力打平，这件事本身就是一个很强的信号。 具体的技术结论里，有三条我认为会被后续工作反复引用： router 不需要学，但需要比硬件块更细的粒度。 选块能力来自数据本身的局部性，而不是梯度；真正限制精度的，是把 128 个 token 压成一个向量的那一步； 稀疏预算应该按序列分，而不是按 query 均分。 固定总预算、让难的 query 多拿，是一种简单有效的自适应计算； 稀疏注意力可以在训练中途接入。 "要不要用稀疏注意力"从一个预训练开始前就得拍板的架构决策，变成了一个可以到高分辨率阶段再做的工程决策，采用门槛低了很多。 但也要清醒地看到，这篇论文的证据几乎全是内部的：内部模型、内部数据、149 条 prompt 的人评、没有外部 baseline，也没有代码。它更像一份高质量的工业实践报告，而不是一篇可以被独立验证的方法论文。 给不同读者的建议： 如果你在训练自己的视频 DiT：这篇是目前最值得参考的稀疏注意力训练配方。Sparse Rebasing 和"高分辨率阶段才切换"的思路可以直接借鉴；Hard-to-Easy 能换来运动质量，但要为指令跟随留一轮 RL。 如果你做推理部署、用的是开源模型：VSA2 暂时用不上，SLA、VSA 改造版或 Sparse VideoGen 这些有代码的方案更现实。另外记住，在 720p 量级上注意力被砍掉之后，非注意力部分就成了大头，步数蒸馏和缓存可能比继续压注意力更划算。 如果你是研究者：有几个问题这篇论文没有回答。稀疏训练为什么能让 loss 低于全注意力，是 coarse branch 带来的额外通路，还是正则效应？router 在 1080p 以上怎么扩展？每个 query 选中的块数不等时，序列并行的负载怎么均衡？ VSA2 把视频稀疏注意力的讨论，从"推理时怎么少算"推进到了"训练时就不算"。它能不能撑到 1080p 和分钟级视频，取决于 router 开销和序列并行这两个问题怎么解决，这也是这条路线接下来最值得期待的地方。 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-09-15|阿里五路音频控制-DiffSynth-Music 今日 AIGC 论文速览 今日共 10 篇 · 可控与统一音频生成 2 篇 · 长时音视频与可控视频生成 2 篇 · 图像编辑与画质修复 2 篇 · 3D 资产生成 1 篇 · 流式交互与语音评测 2 篇 · 高效长上下文 1 篇 重点论文标题列表 DiffSynth-Music（阿里巴巴集团、上海交通大学）：五路音频控制锁住节拍 StepAudio 3 Gen（阶跃星辰 StepFun-Audio 团队）：一套模型生成所有声音 Encore（百度、北京理工大学 · SIGGRAPH Asia 2026）：三十秒音画同步不跑偏 DIAL（阿里巴巴集团、北京大学）：调一个旋钮控人物像不像 Omni-Streaming Thinking（香港大学、香港科技大学（广州）、LIGHTSPEED、萨塞克斯大学）：流式多模态会主动改口 今日论文速览 1. DiffSynth-Music：五路音频控制锁住节拍 DiffSynth-Music: Audio-Conditioned KV-Cache Adapters for Controllable Music Generation | 阿里巴巴集团、上海交通大学 | arXiv:2609.12774 关键词：可控音乐生成,音频条件,KV缓存,扩散Transformer 前序问题：文字与歌词能规定歌曲主题和唱词，却难以精确约束节拍、旋律、伴奏、演唱韵律和参考风格；把多种音频条件逐步送进扩散模型又会反复增加计算。 本文贡献：DiffSynth-Music 从同一音乐 DiT 初始化 Control、Prosody、Reference 三个模板模型，先由共享 VAE 编码控制音频，再把逐层 KV 缓存注入生成主干。模板端固定在干净数据端点，每种控制只前向一次，五类条件还能组合使用。 实验效果：相对冻结主干，节拍条件把 Beat-F1 从 0.3031 提到 0.8496；人声条件把 V-MSE 从 0.0158 降到 0.0006，伴奏条件把 A-MSE 从 0.0221 降到 0.0023；参考条件的 MuLan-A 从 0.6836 升到 0.8088。 批判点评：一次缓存让多条件控制更便宜，但三个模板模型仍带来额外参数和训练维护成本。实验以单条件为主，真正创作常同时叠加节拍、人声、伴奏与参考音频，组合冲突和听感质量仍需更大规模人评。 2. StepAudio 3 Gen：一套模型生成所有声音 StepAudio 3 Gen Technical Report | 阶跃星辰 StepFun-Audio 团队 | arXiv:2609.12945 关键词：通用音频生成,语音合成,声音设计,RVQ 前序问题：语音、歌声、音乐与音效通常使用不同生成器和离散表示，混合声音任务很难在一套模型里保持文本能力、说话人一致性与声学细节。 本文贡献：StepAudio 3 Gen 以 12.5 Hz 的 16×2048 共享 RVQ 空间直接自回归建模通用音频：主干沿时间预测首码本，轻量因果 Transformer 再沿码本轴补齐其余十五层；渐进预训练与 RVQ Adaptor 缓解音频能力对语言能力的干扰。 实验效果：TTS 人类偏好 Elo 达 1755.33，对五个商业系统的汇总胜率为 82.0%；声音设计 Elo 为 1668.5、汇总胜率 75.5%；风格一致性中文平均 85.2%，英文平均 77.7%。 批判点评：统一离散建模简化了产品管线，但十六层 RVQ 的级联预测仍可能积累误差。报告覆盖多类声音，公开复现仍取决于训练数据、偏好标注与完整模型权重。 3. Encore：三十秒音画同步不跑偏 Encore: Infinite Audio-Video Generation with Adaptive Signal Routing | 百度、北京理工大学 · SIGGRAPH Asia 2026 | arXiv:2609.04249 关键词：音视频联合生成,长视频生成,自适应信号路由,跨模态同步 前序问题：现有音视频生成能做出同步良好的短片，但时长受限；长视频方法靠分块迭代延长时长，却完全没有音频。联合生成长音视频比单做任何一边都难：每一块都要同时保住视频时序连贯、音频时序连贯和跨模态同步，而这三路条件信号进入模型的通路各不相同。 本文贡献：Encore 把难题拆成两层：局部连续性交给带显式跨块上下文传播的迭代生成，全局一致性交给带位移位置编码的参考音视频信号。在此之上提出自适应信号路由（ASR），在自注意力内加逐层逐头可学习偏置、在交叉注意力输出上加可学习缩放，让模型自行调节每路条件信号的影响强度。端到端联合训练后，推理时全程以真值模态为条件即可支持无限长的音频转视频与视频转音频。 实验效果：扩展后的 VerseBench 长音视频评测上，身份一致性 ID 为 0.86、音画同步 LSE-C 为 2.36、AV-A 为 0.88，三项均为最佳；误差累积 ΔAS 0.02、ΔID 0.07，明显低于次优的 0.06 与 0.22。短片设置下 LSE-C 为 3.46，对 LTX-2.3 的 2.36。 批判点评：把长音视频拆成局部续接加全局参考，确实压住了 30 秒级的身份漂移与场景突变。但 ASR 的逐层逐头可学习参数把调参负担转移到了训练侧，消融显示去掉任一路缩放都会让同步指标明显掉档。画面美学仍落后于 OVI 与 LTX2.3，且所谓无限长目前只验证到 30 秒量级，更长时长的累积行为没有给出。 4. DIAL：调一个旋钮控人物像不像 Harnessing Intrinsic Subject-Aware Attention for Controllable Multi-Subject Video Generation | 阿里巴巴集团、北京大学 | arXiv:2609.11507 关键词：多主体视频生成,注意力定位,保真强度控制,偏好优化 前序问题：多主体视频生成卡在两件事上：保真强度不可调——模型要么因训练数据偏置产生生硬的贴图感，要么对输入敏感到无法控制；以及语义漂移——主体中途消失、属性出错、多个参考身份互相串味。 本文贡献：作者发现 DiT 内部某些注意力块天然形成内在空间定位图（ISGM），能准确定位参考主体。DIAL 据此双阶段复用这一内部信号：低噪声阶段用 ISGM 构造注意力偏置矩阵，推理时逐主体调节引导强度 γ 即可控制身份保真度，无需重训；高噪声阶段用同一张图零成本构造偏好对做强化学习，把注意力锚定到参考主体上抑制漂移。 实验效果：OpenS2V-Eval 上，Kaleido 主干总分从 56.00 提到 γ=16 时的 61.14，人脸相似度从 31.81 升到 60.64，双双超过最强通用基线 SkyReels-v3 的 59.26 与 VACE-14B 的 55.09。第二阶段单独作用（γ=0）把主体出现率从 155/320 提到 163/320。 批判点评：把控制接口接到模型自带的注意力结构上、省掉外挂模块，这个思路很干净。但 ISGM 出现在哪一层依赖对具体主干的经验观察，换骨干要重新找；保真度提升伴随真实感与美学分下滑，γ 给多少仍靠人工判断。第二阶段的偏好对由 ISGM 自评构造，评判标准与被优化对象同源，存在自我确认的风险。 5. Omni-Streaming Thinking：流式多模态会主动改口 Omni-Streaming Thinking | 香港大学、香港科技大学（广州）、LIGHTSPEED、萨塞克斯大学 | arXiv:2609.15128 关键词：流式多模态,音视频推理,状态修正,幻觉抑制 前序问题：流式音视频模型常在声音尚未说完时依据画面提前下结论；一旦错误判断写入记忆，后续音频即使否定它，模型仍会沿着旧状态回答。 本文贡献：OST 把输出拆成已见证据、未来证据预测和待验证主张，并为主张绑定验证时间窗。音频与视觉证据分开保存；遇到矛盾后，反驳过程削弱旧主张及其依赖状态，回答门控只在关键主张满足条件时放行。主干冻结为 Qwen3-Omni-30B-A3B，仅做轻量适配。 实验效果：在五个流式与音视频基准上，OST 相对最强开放基线平均提升超过 10%；OST-DiagBench 的 d′ 达 2.95，而开放基线最高 1.38。SOVBench-O 平均准确率由 81.6 提至 87.8，SOVBench-T F1 由 90.5 提至 92.4。 批判点评：显式状态与反驳链能减少过早承诺，却依赖主张拆分、模态归因和验证时间窗都足够准确。复杂直播中矛盾可能长期不闭合，额外结构化输出也会增加延迟和训练标注成本。 6. Overpainting：灰色地带让模型自己发挥 Overpainting: Localized Context-aware Diffusion Image Editing | Adobe Research、威廉与玛丽学院 | arXiv:2609.10811 关键词：图像编辑,三值遮罩,扩散模型,注意力dropout 前序问题：图像编辑要么给定二值遮罩、严格只改框内，结果生硬且边界突兀；要么纯靠文字提示，改哪里完全不受控。用户真正想表达的「这块必须改、这一圈可以顺带调、其余别动」没有对应接口。 本文贡献：Overpainting 用白/灰/黑三值 trimap 表达这三档意图：白色必须编辑、灰色允许编辑、黑色不得改动。实现上在预训练图像编辑扩散模型外挂 LoRA，用联合注意力在源图、遮罩与噪声三路输入间传信息，并以注意力 dropout 平衡信息流。配套的自动数据流水线先用语言编辑模型造候选图像对，筛掉过度编辑、编辑不足与整体偏移的失败样本，再从可用样本反解出 trimap。 实验效果：遮罩估计网络微调后 F1 达 0.955、IoU 0.916，对比阈值像素差的 0.733 与 0.607。MISATO@1K 补全评测上 LPIPS 0.189、FID 20.58，远好于 FLUX-Kontext 的 0.372 与 92.09。180 个人工整理的例子上，50% 注意力 dropout 在遮罩遵循与编辑质量之间取得平衡点。 批判点评：三值 trimap 比二值遮罩更贴近真实修图意图，把「顺带调一下」这件事显式化了。但灰区给模型多大自由度只能靠 dropout 率这一个全局参数调，用户画的灰区宽窄也会显著改变结果，论文自己的遮罩变体实验就显示同一提示词能得到差异很大的输出。训练数据由 FLUX.1 Kontext 自动生成再筛选，模型学到的编辑分布因此被上游模型的偏好圈住。 7. PLSR：3D网格切块做超分省显存 PLSR: Progressive and Localized Super-Resolution of 3D Objects via Localized Latent Voxel Diffusion | 香港中文大学、广东工业大学、香港城市大学、莫纳什大学 | arXiv:2609.06436 关键词：3D资产生成,超分辨率,体素扩散,渐进式生成 前序问题：扩散式 3D 生成模型被固定分辨率卡住，细节上不去；直接把分辨率整体拉高，显存与算力又会爆掉。 本文贡献：PLSR 在已有 3D 生成基座上做超分，把全局超分拆成关联式的局部子任务：粗网格编码成低分辨率条件，上采样出高分辨率隐变量的稀疏体素骨架后切成固定大小 patch，每个 patch 关联裁剪对应的低分辨率条件与输入图像，逐 patch 去噪再聚合成全局预测。整轮结果还能当作下一轮的低分辨率条件，渐进逼近更高分辨率，基座只需低成本微调。 实验效果：伪真值几何评测上 LPIPS 0.109、FID 55.89、Chamfer 距离 0.0139、F1 0.145，四项全面优于 TRELLIS.2 在 1536 与 2560 两档分辨率下的结果；纹理评测 LPIPS 0.125、FID 59.89。开放世界 ELO 评分中几何总体质量 1855、纹理 1633，高于 TRELLIS.2(1536) 的 1790 与 1599。 批判点评：把全局超分拆成局部 patch 换来了显存友好，重叠推理与渐进式两个消融也都验证有效。但逐 patch 去噪要遍历所有 patch，分辨率越高调用次数越多，省的是显存不是时间。接缝主要靠低分辨率条件当锚点加重叠区抑制，论文也承认无重叠时仍有残留。开放世界评测依赖模型打分，与人工审美的一致性没有交叉验证。 8. SAS：稀疏注意力直接听损失 SAS: Simple Attention Sparsification via End-to-End Optimization of Context Ranking | 腾讯混元、香港科技大学（广州）、香港科技大学 | arXiv:2609.13141 关键词：稀疏注意力,长上下文,上下文排序,端到端优化 前序问题：可训练稀疏注意力通常用硬 Top-K 选上下文，语言模型损失无法穿过离散选择，只能蒸馏稠密注意力权重；有限预算因此可能保留“像教师”却不真正影响最终预测的块。 本文贡献：SAS 在训练时把选择器连续分数以对数门的形式注入注意力 softmax，让语言模型损失直接更新上下文排序；归一化门校准历史块与始终保留的当前块，Triton 内核把这一机制嵌入 FlashAttention 风格计算。 实验效果：在 2048 token 预算、Qwen3-4B 上，AIME24 比 SeerAttention-R 高 13.02 分（68.85 对 55.83）；Qwen3-14B 的 LongBench 8K+ 为 53.9 对 51.5。SGLang 解码在 512K、batch 1 最多降延迟 5.6 倍，batch 8、64K 最多约 13 倍加速。 批判点评：端到端损失对下游任务更直接，但选择器只在数学数据上训练，跨领域稳定性仍受主干与查询分布影响；预填充仍采用稠密注意力，因此长输入首 token 成本没有同时消失。 9. Mi-Ripple：修掉反复AI编辑的涟漪 Mi-Ripple: Restoring Images Degraded by Iterative AI Editing | 弥阳科技、中国科学院软件研究所、上海交通大学、天津大学 | arXiv:2609.11317 关键词：图像修复,迭代编辑,频域伪影,配对再生成 前序问题：图像被生成模型反复编辑后会积累低频起伏、色带与周期纹理，内容看似正确却越来越“塑料”；普通锐化或去噪可能同时损伤真实边缘。 本文贡献：Mi-Ripple 先在频域用陷波定位并抑制迭代编辑形成的周期分量，再通过配对再生成构造更干净的参考，对剩余伪影做修复；流程把可测量的频谱异常与生成式细节恢复结合。 实验效果：14 次只做陷波的测试中，整图 CIELAB 亮度残差标准差为 0.08–0.44；配对再生成把参考中的碎屑密度降低 45%。三个示例的尺度纹理指数分别从 25.3%、41.1%、20.0% 降至 11.1%、12.1%、0.0%。 批判点评：方法针对可见的周期性退化更有解释性，但配对再生成可能改动原图身份与细节。若伪影频率与真实重复纹理重合，陷波也可能误删内容，仍需要区域级保真检查。 10. Duplex Cue：会说会停还要边听边改 Continue, Adapt, or Yield: In-Turn Adaptation to Overlapping Speech in Full-Duplex Agents | Besimple AI | arXiv:2609.13117 关键词：全双工语音,重叠语音,对话适应,语音评测 前序问题：全双工语音评测常把模型行为简化为继续说或停下来，却漏掉人类常用的第三种反应：保留话轮，同时吸收听者补充的词、纠正或澄清。 本文贡献：Duplex Cue 把听者意图区分为回应、协作与打断，把说者行为标成原样继续、话内适应或让出话轮。研究从无脚本英语对话中提取 300 个经人工确认的提示，并在相同提示下比较人类录音与 PersonaPlex 延续。 实验效果：保留 208 对活跃且可评分样本；66 个协作提示中，人类话内适应率为 68.2%，PersonaPlex 为 34.8%，相差 33.4 个百分点。模型更多原样继续（42.4%）或让出话轮（22.7%）；自动评分与人工在 142 项中一致 108 项，κ=0.641。 批判点评：三分法比“停没停”更接近自然对话，但判断适应需要理解语义依赖，自动评审本身可能偏向表面复述。要成为训练目标，还需扩展语言、说话风格、噪声与真实网络延迟。 趋势观察 控制接口前移到模型内部 控制不再靠外挂模块，而是接到主干已有的结构上：DiffSynth-Music 用可复用 KV 缓存组合五路音频，StepAudio 3 Gen 用共享离散码本统一语音、歌声、音乐与音效，DIAL 干脆直接复用 DiT 自带的注意力定位图。 长时序生成靠显式上下文传播续命 Encore 把长音视频拆成局部连续性与全局一致性两层，用跨块上下文传播加参考信号压住 30 秒后的身份漂移，误差累积指标 ΔID 从次优的 0.22 降到 0.07——长程生成的胜负手不在单帧画质，而在误差累积。 编辑控制从硬遮罩转向软约束 Overpainting 用白灰黑三值 trimap 区分「必须改、可以改、不能改」，Mi-Ripple 用频域陷波只删周期分量，都在回答「哪里该动、动多少」，而不是一刀切地框定编辑区域。 算力不够时预算分配成为核心问题 PLSR 把全局 3D 超分拆成可迭代的局部 patch 去噪换显存，SAS 在固定注意力预算下端到端学上下文排序——两条线都承认资源有限，转而研究怎么把预算花在刀刃上。 人工智能炼丹君 整理 | 2026-09-15 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-08-31|复旦GameWAM同时生成画面和键鼠动作 今日 AIGC 论文速览 今日共 10 篇 · 世界模型与动作生成 2 篇 · 生成模型推理加速 2 篇 · 3D 资产生成与程序化建模 1 篇 · 视频与图像编辑一致性 2 篇 · 语音与实时交互 2 篇 · 世界模型评测 1 篇 重点论文标题列表 GameWAM（复旦大学 + LIGHTSPEED + 清华大学深圳国际研究生院）：首个能闭环玩游戏的世界动作模型 WALL-SS（自变量机器人 (X Square Robot)）：有界显存跑出分钟级流式推演 ClusterAttention（独立研究者）：无结构输入单次前向也能免训练加速 Procedura（南京大学）：把物体写成带装配约束的程序 MMLVE-Agent（南开大学 VCIP + 腾讯在线视频 BU）：全局记忆卡守住跨镜头编辑一致 今日论文速览 1. GameWAM：首个能闭环玩游戏的世界动作模型 GameWAM: A World Action Model for Video Games | 复旦大学 + LIGHTSPEED + 清华大学深圳国际研究生院 | arXiv:2608.26200 关键词：世界动作模型,游戏智能体,flow matching,块因果条件,键鼠控制生成,LASI,复旦,LIGHTSPEED 前序问题：游戏这个场景把两条原本分开的技术路线逼到了同一张桌子上。一边是游戏智能体：它们把画面和任务描述直接映射成动作，能玩但没有对世界如何演化的显式建模，一旦遇到需要预判后果的操作就只能靠模仿数据里的条件反射。另一边是交互式游戏世界模型：给定动作它能预测出相当逼真的未来画面，但它本身不是策略——没人告诉它该按哪个键，它就只是个渲染器。World-Action Model（WAM）的想法是把两者合成一个模型，让它同时输出「会发生什么」和「该做什么」。但游戏对 WAM 特别不友好：第一人称视角意味着画面变化极快，世界状态又要长期保持（挖到的矿、合成的物品不能凭空消失），更麻烦的是控制方式异构——游戏内是连续的鼠标视角移动，切到 GUI 界面又变成离散的点击拖拽，两套动作分布混在一条轨迹里。 本文贡献：GameWAM 是作者所称的首个面向原生闭环游戏与 GUI 控制的 WAM。核心是让视觉与动作两条生成流并行跑：Causal Video DiT 与 Causal Action DiT 通过 joint attention 耦合，在块因果（block-causal）条件下用 flow matching 同时生成未来观测和可执行的键鼠轨迹，两者共享同一段干净的因果前缀，而同时被加噪的未来视觉与动作 token 互不作为条件，避免用噪声去预测噪声。针对异构控制，模型在每个动作步先预测一个 gameplay/GUI 模式标签，再用模式专属的预测分布生成动作，并对连续动作做归一化，从而让一套模型同时驾驭「连续视角移动」和「离散界面点击」。长时程交互靠 block-cycle 控制：每轮预测超出实际执行范围的动作块，但只执行开头一小段前缀，然后从新观测重新规划；轮内用细粒度上下文、跨轮用分层历史压缩来维持时间连续性。训练数据是作者自建的画面与动作严格同步的 gameplay + GUI 轨迹集。 auto 实验效果：在 ViZDoom 与 Minecraft 类任务上，GameWAM 达到与对比智能体相当的任务成功率，但执行的原生动作数量更少——这说明它的动作更「有目的」，而不是靠高频试错凑出结果。作者展示的闭环 rollout 里有一个值得注意的行为：在「用工作台合成发射器」任务中模型中途放错了材料，观察到 GUI 状态变化后又调整了合成格配置并最终完成目标，即从画面反馈中做出了错误恢复，而这正是「有世界模型」相比纯反射式策略应该带来的能力。论文另一个反向贡献是揭示了 Low-Frequency Action Source Imprinting（LASI）：在条件固定不变时，采样动作所用噪声源的低频分量会系统性地带偏生成出的粗粒度镜头运动，也就是说「按了什么键」部分取决于随机种子长什么样。 auto 批判点评：把视觉与动作放进同一个生成过程、并用块因果掩码严格区分「可作为条件的干净前缀」和「同时被加噪的未来」，是这篇方法上最干净的部分，模式标签 + 模式专属分布也是处理异构控制的务实解法。真正让这篇论文有分量的反而是 LASI 这个负面发现：它把「生成式控制」的一个结构性隐患摆到了台面上——当动作本身来自采样，噪声的低频成分就变成了一个隐藏的控制信号，这意味着同一套条件在不同种子下会输出系统性偏向不同的镜头运动，对需要可复现性的评测和部署都是麻烦事。局限也需要点明：一是任务集集中在 ViZDoom 与 Minecraft 这类视觉相对简单、动作空间有限的环境，现代 3A 游戏的画面复杂度与状态持久性远超此范畴，声称的「原生闭环」还需要更硬的场景检验；二是「更少动作数」是个双刃指标，既可能意味着规划更好，也可能意味着模型倾向保守、放弃了需要密集操作的路径，论文没有拆开这两种解释；三是 block-cycle 只执行短前缀就重新规划，本质是用高频重规划掩盖长时程预测的漂移，代价是每轮都要重跑生成，实时性与算力开销在文中讨论不足。 2. WALL-SS：有界显存跑出分钟级流式推演 WALL-SS: Scaling Long-horizon World Models via Next-Scale Autoregression | 自变量机器人 (X Square Robot) | arXiv:2608.26239 关键词：世界模型,下一尺度自回归,长时程流式生成,尺度压缩记忆,on-policy对齐,机器人仿真,自变量机器人 前序问题：生成式世界模型对机器人的价值在于「不用真机就能试」——仿真、规划、策略评估都指望它。但要真正可用，它必须同时满足几个彼此矛盾的要求：动作与后果要对得上（给一段抓取轨迹，画面里的夹爪就得真的跟着走）；时长要可变且能持续接下去（不能只会生成固定 5 秒片段）；还要能被奖励直接优化（否则无法用强化学习闭环）。当前主流的视频扩散路线在这三点上都别扭：它以 clip 为单位迭代去噪，天然是「一段一段」的，续接时要么重新条件化、要么显存随长度线性膨胀；动作通常作为一个全局条件塞进 cross-attention，与具体时刻的状态转移关系松散；而扩散的似然不可直接计算，奖励优化只能绕道。长时程还有个更隐蔽的问题：模型训练时看的是真实历史，推理时看的是自己生成的历史，这种分布偏移会让误差沿时间累积成漂移。 本文贡献：WALL-SS 把具身轨迹表示成「观测与动作时间交错」的因果序列，让动作依赖的状态转移显式化，同时天然支持变长生成、通过复用因果状态做流式续接、以及借序列概率直接做优化。每一帧未来观测采用由粗到细的 next-scale 自回归生成（而非全帧去噪），并在这个尺度层级上搭了三个互补组件：一是动作条件的下一尺度预测，把与尺度对齐的动作表征注入各级，既建模成功行为也建模失败行为；二是尺度压缩的长时程记忆，近期交互保留在细尺度、远期观测与动作被压缩到粗尺度，配合 scale-wise dream forcing 提升对自生成上下文的鲁棒性；三是 on-policy 对齐，用「动作跟随」与「长期一致性」两个奖励优化自回归视觉动力学，同时以参考 KL 与 AR replay 约束住预训练视觉分布不被 PPO/GRPO 带崩。训练数据涵盖异构机器人与 UMI 手持采集示范。 auto 实验效果：在动作跟随与轨迹精度上 WALL-SS 优于所比较基线，并能在有界显存下跑出连贯的分钟级流式 rollout。作者给出的定量证据里最有说服力的是长时程流式跟随实验：在包含接触密集的倒水阶段的单次连续 rollout 中，逐帧的轨迹跟随误差全程保持在画面对角线长度的 0.5% 以内。与 Wan2.1-1.3B、Wan2.2-14B、Infinity-8B 的定性对比取 5s/30s/60s 三个时刻：三个基线在 30 秒后陆续出现任务目标丢失或物体消失（图中红框标出），WALL-SS 在 60 秒时仍保持分拣与倒水任务的物体与容器关系正确（绿框）。此外闭环校准实验显示，生成 rollout 与真机 rollout 的任务成功率呈线性相关，说明它可以当作策略评估的代理。 auto 批判点评：把「动作—观测交错的因果序列」作为一等表征，是这篇论文最值得借鉴的设计决策：它一次性解决了变长、流式、可优化三件事，而扩散路线要靠三套补丁分别应付。尺度压缩记忆也比「均匀降采样历史」更符合直觉——远处只需要知道大概布局，近处才需要细节。不过要冷静看几点：一是 60 秒、有界显存这类数字来自作者自建设定，基线选的是通用视频生成模型（Wan、Infinity）而非专门的机器人世界模型，比较口径对自己有利；二是 on-policy 对齐用的奖励（动作跟随、长期一致性）本质是自监督代理指标，优化它未必等于提升下游策略的真实成功率，论文的闭环校准只给了相关性、没有给出「用 WALL-SS 评估选出的 checkpoint 在真机上确实更好」的因果链条；三是团队署名为「X Square Robot Team」，贡献者列表在附录，机构信息公开度较低，复现与代码可用性需实际验证；四是分钟级 rollout 的显存有界是靠远期压缩换来的，被压掉的信息一旦在后续需要精确复现（例如回到之前的桌面重新抓取同一物体），一致性能否维持是未验证的。 3. ClusterAttention：无结构输入单次前向也能免训练加速 ClusterAttention: A training-free speedup of bidirectional attention | 独立研究者 | arXiv:2608.26965 关键词：稀疏注意力,免训练加速,递归聚类,块稀疏,质心补偿,TabPFN,Wan2.1视频生成 前序问题：稀疏注意力要做到免训练可用，现有方法几乎都要借某种外部结构：语言模型借 token 的顺序性（近处更相关），图像与视频借空间邻近（相邻 patch 更相关）。一旦输入本身没有这类结构——比如表格数据里行与行之间没有顺序、没有邻近关系——这些先验就全部失效。另一条路是先聚类再稀疏，但聚类本身很慢，只有在多次前向之间摊销才划算；对单次前向的场景（一次推理就结束）这个开销无法回本。于是「无结构输入 + 单次前向」这一格长期空着。还有一个被普遍忽略的问题：稀疏注意力的误差究竟由什么决定，业界大多靠经验调阈值，缺少可以指导设计的解析结论。 本文贡献：ClusterAttention 用一个随每个注意力头的 key/query 几何自适应的快速递归聚类替代慢速聚类，并做了一个工程上很聪明的取舍：让所有簇的尺寸固定为 2 的幂次。这样块稀疏注意力在 GPU 上每次 query-key 交互的延迟与稠密注意力持平，省下的算力才能真正兑现为端到端加速（否则不规则块会被 kernel 效率吃掉）。理论侧作者推导了稀疏注意力输出误差的表达式，用它解释了一个反直觉的实验现象——紧致的簇有时误差反而比随机簇更大；接着推导了当被排除的簇通过其质心做补偿后的误差，证明这个误差随簇越紧而越小，于是把质心补偿（striped compensation）并入方法，让「聚类做得越好、精度越高」这个本该成立的关系真正成立。 auto 实验效果：在大规模表格数据上，ClusterAttention 把 TabPFN-3 加速 2 到 6 倍，同时保留至少 99% 的稠密精度；作者称这是首个能在「无结构输入 + 单次前向」设定下成功应用的免训练方法。在视频生成上，用 Wan 2.1-14B T2V 做测试，相比专门为该领域开发的 SVOO，ClusterAttention 既取得更接近稠密注意力的输出、又拿到更大的加速比（1.8 倍对 1.4 倍），且两者都在无离线校准的条件下运行。延迟-失真的帕累托前沿图显示，在余弦相似度 0.99 这条线上，ClusterAttention 与 SVOO 的耗时差出接近一个数量级，且在 2072/3500/5306 三种分辨率下趋势一致。 auto 批判点评：这篇的方法论姿态比它的绝对数字更值得注意：先把误差写成解析式，再用它解释反直觉现象、进而设计补偿项，这条链条比大多数「调出一个好阈值」的稀疏注意力工作扎实得多，而「簇尺寸固定为 2 的幂次以对齐 GPU kernel」也是把理论加速真正落成墙钟时间的关键工程细节。需要保留判断的地方不少：一是作者为独立研究者、无机构背书，论文中的 TabPFN-3 与 Wan 2.1 实验规模有限（视频侧仅 5 个 prompt），结论的稳健性有待更大规模复现；二是视频生成的评价主要用与稠密输出的余弦相似度和延迟，而非 VBench 这类感知质量基准，「更接近稠密」不完全等于「人看着更好」；三是方法只针对双向注意力，对因果注意力（自回归 LLM/视频）不适用，而后者恰是当下最耗算力的场景；四是全文没有框架图，机制描述依赖文字与曲线，读者要理解递归聚类的具体形态需回到公式，这在工程复现时会增加成本。 4. Procedura：把物体写成带装配约束的程序 Procedura: Agentic 3D Modeling with Procedural Control | 南京大学 | arXiv:2608.26238 关键词：3D生成,程序化建模,LLM智能体,装配图,机器可校验配合,URDF articulation,南京大学 前序问题：原生 3D 生成器现在从一张图就能恢复相当不错的网格几何，但产物拿到实际生产流程里几乎立刻卡住，原因有三：本该锐利的机加工边缘在密集网格里是软的；网格是一整坨、没有部件分解，想单独换个轮子都做不到；更根本的是它没有暴露任何用户可以修改的参数——用户能做的只有重新生成，而不是编辑。这对工业设计、游戏资产、机器人仿真都是硬伤，因为这些场景要的不是「一个好看的形状」，而是「一个结构清晰、可改、可仿真的资产」。已有的 3D-代码路线尝试用程序表示形状，但多数是直接生成脚本或把文本翻译成一串构造命令，部件语义靠事后打标签补，装配关系并没有被当作一等对象。 本文贡献：Procedura 走的是「3D 形状即代码」的路线，并把关键约束前移到了装配层。给定文本提示，智能体先合成一张参考视图，然后跑三个阶段：Planning 阶段把物体分解成一张装配图，图上的节点是命名部件、边是带类型且机器可校验的配合（mate）；Procedural Modeling 阶段逐个部件写 3D 程序，每个部件的位置不是「猜」出来的，而是从配合坐标系解算出来的，并且只有在编译检查、配合检查、连通性检查三项都通过后才被接受进装配体；随后一个解耦的视觉 critic 每次只针对一个诊断出的问题做修复，避免多处同时改动引入新错误。生成时的动态上下文把三样东西打包进一条生成消息：装配参考（参考图 + 提示 + 该部件的配合）、已构建历史（完整且已能编译的部分）、以及 3D 反馈。同一张装配图还承载逐部件材质与经仿真器校验的关节运动（articulation），可导出为 OpenUSD 与 URDF。 auto 实验效果：在 P3D-Bench（用其装配判定器评分）以及作者自建的硬表面基准 MechBench-36 上，Procedura 在判定质量上超过当前主流原生 3D 生成器与此前所有 3D-代码智能体，产出的边缘锐度在所有对比方法中最高，并且是唯一输出「可编辑、部件结构化的程序」的方法。作者展示的 gallery 直观支撑了这一点：整车被自动分解为上百个带独立配色的命名部件（车架、轮胎、座椅、机枪、悬挂等各自成模块），这种分解是程序结构的天然产物，不需要事后做分割。articulation 验证部分把六个物体导出为 OpenUSD 与 URDF 并在 Isaac Sim 里做无头验证，每张图由该物体自身的仿真片段合成（扫过的中间位姿做半透明重影、终态实心），证明关节运动确实可跑。 auto 批判点评：这篇最有价值的判断是把「装配关系」而不是「几何」作为生成的一等对象——因为部件结构化、可编辑、可仿真这三个属性其实是同一件事的推论，一旦物体是由带类型配合连接的命名部件组成的程序，分解与关节就免费得到了，不需要事后分割。三重检查（编译/配合/连通）加解耦 critic 的逐次单点修复，也比让 LLM 一次性重写整个脚本要可控得多。风险同样明确：一是这条路线的能力上限被程序化表示卡死——它擅长机加工感的硬表面物体（buggy、挖掘机、机械臂），对有机形态（人物、动物、布料、植物）几乎无从下手，MechBench-36 的选题本身就说明了适用边界；二是整个流程重度依赖 LLM 的编码能力与多轮工具调用，单个物体的 token 与时间成本论文未充分披露，与「一次前向出网格」的原生生成器不在同一量级；三是评测用的是装配判定器（judge）而非几何指标或人类偏好，判定器与被评方法共享「装配」这一价值观，对不走装配路线的基线可能天然不利；四是自建基准 MechBench-36 仅 36 个物体，规模偏小。 5. MMLVE-Agent：全局记忆卡守住跨镜头编辑一致 Thinking on Shots: Consistent Multi-Shot Video Editing with Agentic Reasoning | 南开大学 VCIP + 腾讯在线视频 BU | arXiv:2608.26809 关键词：多镜头视频编辑,长视频编辑,LLM智能体,VLM,全局记忆卡,镜头分割,南开,腾讯 前序问题：视频编辑的生成能力已经不弱，但绝大多数方法的适用范围停在单镜头或短片段。真实素材是多镜头长视频，而用户给的往往是一串针对不同时间点、不同对象的指令（「1 秒处骷髅模型加圣诞帽、28 秒处屏幕里的白色动捕模型换成绿色外星人、38 秒处男子的深蓝夹克改成红黑格衬衫」）。直觉做法是按固定时长切块逐段编辑，但这会引发三类连锁失败：同一实体被切到不同块里、各块独立编辑后长相不一致（实体碎片化）；一条指令落到不该落的镜头上，或多条指令互相污染（编辑幻觉）；以及为了执行编辑而破坏了原本的镜头切换、运镜与时序结构。 本文贡献：作者先把任务形式化为 MMLVE（多指令多镜头长视频编辑），并明确三个目标：跨镜头编辑一致性（CSEC）、多指令解耦（MID）、对时空结构零破坏（ZDSS）。方法上是一个 LLM 与 VLM 协同的智能体框架，分三个模块：Instruction & Video Analysis 用 PyDetect 把长视频按物理镜头切开（而非按固定时长），再由 LLM 智能体解析并解耦复杂指令、VLM 智能体抽取关键帧与条件；Global Memory Card Making 是这套方法的关键——为每个被编辑实体建立一张全局记忆卡，卡上存「编辑前参考实体图」与「编辑后参考实体图」这一对图像，并用 P-NEF（正负例反馈循环，VLM QA 智能体给正负提示、实体特征抽取器迭代）把这张卡打磨准确；Multi-Shot Video Editing 阶段把记忆卡作为图像条件与文本指令一起拼进编辑提示，要求目标实体的编辑前状态匹配卡左侧、编辑后状态精确对应卡右侧，同时保持原背景、运镜与时序完全不变。配套发布了 MMLVE-Bench 基准。 auto 实验效果：在 MMLVE-Bench 上，MMLVE-Agent 取得最高平均分 81.84。定性对比更能说明问题：在骷髅/动捕屏幕/夹克三指令的案例里，Seedance 2.0 把整个人物换成了另一个男子、Kling o3 在第 2 镜头里凭空生成两块显示器、HappyHorse 1.0 把场景改得面目全非，而 MMLVE-Agent 只精确改动了目标实体（骷髅头上出现红帽、屏幕里模型变绿、夹克变格衬衫），七个镜头的背景与运镜保持原样。第二个陶艺案例同样：基线普遍把「黄色圆海绵换成方形蓝海绵」执行成了多余的物体替换或位置漂移，本方法在七个镜头间维持了目标物体一致。作者论证只有 MMLVE-Agent 同时满足 CSEC、MID、ZDSS 三个约束。 auto 批判点评：「全局记忆卡存编辑前后的实体图像对」这个设计相当讨巧：它把「跨镜头一致」这个抽象约束落成了一个具体、可被图像条件直接消费的产物，比让模型自己在长上下文里维持身份要可靠得多，也天然支持多条指令各自持有独立的卡从而解耦。按物理镜头而非固定时长切分也是对症的。需要打折扣的地方：一是这是一套编排框架而非新的生成模型，最终画面质量完全受限于底层编辑器，框架本身不解决「编辑器画不出来」的情况；二是链条很长（镜头分割 → LLM 指令解耦 → VLM 关键帧 → 记忆卡 P-NEF 迭代 → 逐镜头编辑），任一环节出错都会传导到最终结果，论文未给出各环节的失败率拆解，也未披露端到端耗时与调用成本；三是基准与评分都由作者自建，81.84 这个数缺少外部可比性，而对照的 Seedance/Kling/HappyHorse 都不是为多指令长视频编辑设计的，比较略有不对等；四是 ZDSS（零破坏）是个很强的宣称，但文中主要靠视觉对照支撑，没有对运镜轨迹或时序结构做定量的保真度度量。 6. LeVJEPA：单编码器一个超参告别EMA与停梯度 LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics | 德国癌症研究中心 + 歌德大学 + Mila + 蒙特利尔大学 + 布朗大学 + 纽约大学 Courant + AMI Labs | arXiv:2608.27395 关键词：视频自监督预训练,JEPA,SIGReg,表征坍缩,token随机丢弃,单编码器,LeCun 前序问题：视频天然携带物理世界的时间结构，是自监督表征学习最诱人的数据源，但代价一直很高。主流方法防止表征坍缩靠两条路：一是架构上的不对称——同时用 EMA 目标编码器、停梯度、以及一个刻意限制容量的预测器，三件套缺一不可，且各自带一堆需要调的超参；二是干脆绕开，回到像素空间重建被遮挡内容（VideoMAE 路线），但重建像素让模型花大量容量去拟合与语义无关的细节。这两条路的共同问题是：坍缩是被启发式手段「压住」的，没有理论保证，调参经验很难跨数据集迁移，而视频预训练本身又极其烧算力，试错成本高得离谱。 本文贡献：LeVJEPA 是首个在 LeJEPA 的免坍缩目标下训练的视频编码器，把 EMA、停梯度、限容预测器全部丢掉。它只用一个编码器：对同一段视频的全局视图与局部视图算不变性损失（在 [CLS] 上做 MSE），再由 SIGReg（Sketched Isotropic Gaussian Regularizer，沿随机一维投影做正态性检验）提供可证明排除坍缩的正则。架构因此简化为「编码器 + 投影器」，目标函数只剩一个超参。这个形式带来两个性质：一是预训练开销由编码器实际看到的 token 数决定，因此均匀随机丢弃 token 既能显著减少 token 数、又同时提升下游精度（丢弃在这里不是纯粹的省钱妥协，而是有正则作用）；二是在同等 epoch、同等数据下，它能匹配以启发式三件套堆出来的方法。 auto 实验效果：在同一份 K710 的 20% 子采样上以 240 epoch 训练 ViT-S/B/L，用 ImageNet-1K attentive probing 评估：LeVJEPA 的精度-算力曲线整体位于 V-JEPA 2 与 VideoMAEv2 的右上方，即在更低的总预训练 ExaFLOPs 下拿到更高精度——例如约 25 ExaFLOPs 处达到 57.5% 左右，而 V-JEPA 2 要花约 100 ExaFLOPs 才到 55.5%，横轴为对数且向右表示更省算力。表征质量的定性证据是 patch token 的前三个主成分可视化：LeVJEPA 给出的分解能把动物与周围家具、背景干净地分开，与 V-JEPA 2.1 相当，说明去掉不对称架构后并没有牺牲稠密结构。 auto 批判点评：这篇的价值主要在「减法」：把 EMA 目标编码器、停梯度、限容预测器三件套一次性拿掉，还把目标函数收到单个超参，对做视频预训练的团队意味着搜索空间大幅缩小，而 SIGReg 提供的免坍缩保证也比经验性技巧更让人放心。「token 随机丢弃同时省算力和提精度」这个观察尤其实用。但要注意几点：一是评测口径偏窄——主结果用 ImageNet-1K attentive probing，这是一个图像级线性可分性指标，对视频编码器真正关心的时序理解（动作识别、时序定位、追踪）覆盖不足，论文标题谈的是 video pretraining，评价却主要落在图像域；二是实验规模为 K710 的 20% 子集、最大 ViT-L，与 V-JEPA 2 原始的全量大规模训练不在同一量级，「匹配」结论是在缩放后的受控设定下成立，能否外推到全量仍未知；三是随机丢弃 token 提升精度的机制解释偏经验（视作正则），缺少与 SIGReg 相互作用的分析；四是作者列表横跨七个机构、含 LeCun 等，署名权重容易让读者高估结论的普适性，仍应按受控实验的边界来读。 7. PAWBench：同一初态重复推演测分布对齐 PAWBench: How Far Are We from Probabilistically Aligned World Modeling? | 上海交通大学 + 上海AI Lab + Krea AI + HuggingFace + 通义实验室 + 香港大学 | arXiv:2608.27345 关键词：世界模型评测,概率对齐,分布级判据,视频生成基准,因果干预,PAWEval,上海AI Lab 前序问题：把视频生成模型称为「世界模型」已经成了行业惯例，但现有评测几乎全在问「这条视频看起来物理上合理吗」。这个问题本身有个漏洞：很多物理过程的合理结局不止一个。抛一次硬币、球落进高尔顿板、纸牌翻面——同一初始观测加同一动作，真实世界会给出一个分布，而不是一条确定轨迹。如果模型十次 rollout 里九次都是正面朝上，每一条单独看都完全合理，但它显然没学到这个过程的随机性，只是记住了一个高概率模式。作者把这个被忽略的要求命名为概率对齐（probabilistic alignment）：世界模型不仅要能生成一个可信的未来，还要在重复采样下复现出正确的可能性分布。现有基准都不测这一点。 本文贡献：PAWBench 把概率对齐形式化为世界模型的分布级判据，并配套 PAWEval 这个结果级评估协议。做法是固定初始观测与动作，对同一设定重复 rollout，用基于评分细则（rubric）的判官把每条可读、符合模式的 rollout 映射为一个离散结果标签（如 Head / Tail），聚合成经验结果分布，再与参考概率比较——注意比较的是分布，而不是逐条视频匹配。基准分两部分：PAW-Calibration 收录参考分布可解析给出的校准型场景（覆盖八个机制组），PAW-Coverage 收录复杂随机交互、用有效支撑集覆盖率来评。作者还设计了因果/非因果干预的对照实验：改变真正影响物理转移的量（铅笔倾角）与改变不影响物理的量（高尔顿板旁边写一行「总是落在右边」的文字），看模型分布如何响应。 auto 实验效果：在 HappyHorse、Veo 3.1 Fast、Kling 3 Std、Seedance 2、Wan2.7、Wan2.2、LTX-2.3、Cosmos 3 Super I2V 等模型上，测出的整体结论是当前视频生成器离概率对齐还很远：输出往往集中在有效随机支撑的一个狭窄子集上。干预实验给出的信号最尖锐——面对因果干预（铅笔倾角改变），各模型的结果分布相比真值变化不足，即欠反应；面对非因果的文字提示，分布却被明显带偏，即过反应。换句话说，模型更像在读提示词而不是在模拟物理。失效解剖图进一步按机制组拆出八个模型各自的失败构成占比，显示不同模型的短板类型并不相同。 auto 批判点评：这篇提出的问题比它的具体分数更重要：把评价从「单条像不像」抬到「分布对不对」，是对「视频生成即世界模型」这一叙事的一次必要校正，而「对因果干预欠反应、对非因果文字过反应」这组对照几乎是最经济的反证设计——它用一行无关文字就暴露了模型在依赖语言先验而非物理推演。这个思路对做世界模型的团队有直接的诊断价值。同时要看清它的边界：一是整套协议建立在 rubric 判官能可靠把 rollout 归类为离散结果之上，判官误判会直接污染分布估计，论文虽做了可读性/合模式筛选，但判官一致性本身需要更强的验证；二是参考分布只在少数可解析场景（硬币、高尔顿板等）成立，这类场景与真实应用中关心的物理（接触、形变、流体）差距较大，PAW-Coverage 用支撑集覆盖率替代分布距离也是无奈的降级；三是被测对象多为闭源商用模型，采样参数（温度、guidance）不可控且随版本漂移，结论的可复现性有限；四是「重复 rollout 估分布」的算力成本很高，作者的 rollout 预算诊断说明样本量本身就在影响结论稳定性。 8. EmoTra-TTS：一句话内让情绪连续流动 EmoTra-TTS: Smooth Intra-Utterance Emotion Transitions for Speech Synthesis | LIGHTSPEED + 新加坡国立大学 + 南洋理工大学 | arXiv:2608.23791 关键词：情感语音合成,句内情绪过渡,VAD情感维度,流匹配解码器,合成过渡数据,EMNLP2026 前序问题：心理学早已确认人的情绪是连续演变的过程——几秒之内就会起伏、衰减、转换。但当前情感 TTS 系统的条件化方式与这个事实是错位的：一条语音只给一个离散情感标签或一个静态嵌入，也就是说整句话的情绪被假定为恒定。想合成「说着说着从平静转为愤怒」这种自然表达，现有系统做不到精确控制。基于 LLM 的 TTS 虽然可能通过对文本的理解隐式地变化韵律，但这种变化既不可显式控制、也不够精准，无法定向指定「在句子的哪个位置、往哪个方向、转多少」。更现实的障碍是数据：自然录音里句内情绪过渡的样本极其稀少，没法直接监督学习。 本文贡献：EmoTra-TTS 针对三个问题各出一招。数据侧提出多趟流混合（multi-pass flow blending）流水线来合成帧对齐的过渡音频，绕开自然过渡样本稀缺的问题。条件化侧采用双阶段的 VAD（Valence-Arousal-Dominance，效价-唤醒-支配）条件化：把情绪表示为连续三维向量而非离散标签，在 LLM 阶段用 VAD token（初始情绪 v_init、过渡情绪序列 v_tra、结果情绪 v_res）引导韵律规划，在流匹配解码器侧用帧级 VAD 嵌入落实声学实现，从而让情绪控制贯穿「先规划再实现」两级。注入方式上提出方向-幅度解耦注入（direction-magnitude decoupled injection）：把情绪嵌入对说话人嵌入的作用拆成「往哪个方向偏」与「偏多少」两部分，避免情绪强度变化时连带扰动音色身份。整体骨干是文本-语音语言模型 + 冻结的流匹配解码器 + HiFiGAN 声码器。 auto 实验效果：论文已被 EMNLP 2026 主会接收。主观评测采用盲测配对偏好，评测者在系统身份隐藏、顺序随机的条件下打分。在表格 (d)(e) 两类过渡场景下，EmoTra-TTS 对四个基线的胜率分别是：对 MOSS-TTS 79.5%（95% CI [73.7, 84.2]）、对 CosyVoice2 76.8%（[71.0, 81.7]）、对 WeSCon 75.2%（[69.4, 80.3]）、对 Qwen3-TTS 67.5%（[61.2, 73.2]），评测者一致率在 63.5%~71.6% 之间。三项 MOS 指标分别覆盖自然度与音质（MOS-Qua）、情绪准确性（MOS-Emo）与情绪过渡自然度（MOS-Tra），均为 1-5 分李克特量表。 auto 批判点评：把情绪从离散标签换成连续 VAD 轨迹、并把控制拆到「LLM 规划韵律 + 流匹配落实声学」两级，是对症的建模选择；方向-幅度解耦注入更是个细致的工程洞察——情绪强度和说话人身份共用一个嵌入空间时最容易互相污染，把方向与幅度分开正好切在痛点上。用合成流水线造过渡数据也是面对数据稀缺的务实解法。需要保留的地方：一是训练监督主要来自合成的过渡音频，模型学到的「过渡该长什么样」本质由这条流水线的先验决定，与真人自然过渡的分布差异未被量化，存在自证循环的风险；二是评测重心在主观偏好，客观指标（说话人相似度、WER、情绪分类准确率）在摘要层面披露不足，而 63.5%~71.6% 的评测者一致率提示这类判断噪声较大，胜率的置信区间虽给出但样本构成不透明；三是仅在表 (d)(e) 两类场景上报胜率，其余类别表现如何未在此层面说明，选择性汇报的可能不能排除；四是 VAD 三维虽比离散标签细，但它仍是对情绪的强降维，复杂情绪（讽刺、无奈、苦笑）能否被三个标量刻画是开放问题。 9. Sidecar：把首句人物描述注回后续提示 Sidecar: Training-Free Semantic Reuse for Character-Consistent Free-form Visual Storytelling | 美国乔治城大学 | arXiv:2608.27280 关键词：视觉叙事,角色一致性,免训练即插即用,文本编码器隐状态,语义复用,SDXL,FLUX 前序问题：视觉叙事要求连续生成的画面既跟着剧情推进、又保持人物身份不变。真实的叙事文本有个特点：角色只在第一次出场时被完整描述（「一只高挑的精灵，银发闪耀，身着精致的翠绿长袍」），之后就用类别词或代词指代（「他停下脚步」「那只松鼠开始挖洞」）。这种自由形式（free-form）的写法更接近人类叙事习惯，但对生成模型很不友好——后续提示里已经不含身份相关的语义，模型只能靠自己「记住」，结果就是身份漂移。作者的动机实验很直接：用当前最好的自由形式叙事方法 FreeStory，在其他设置完全不变的情况下，仅把完整描述替换成类别词或代词，人物就明显走形。这说明问题的根源在文本条件端的语义缺失，而不只是生成端缺一致性机制。 本文贡献：Sidecar 是一个即插即用的语义增强模块，不训练、也不改基础扩散模型的架构。它分两步：第一步语义抽取——用第一句提示过文本编码器，在每一层把对应「完整角色描述」那段 token 的隐状态取出来，存成逐层的语义表示（Sidecar Semantic Bank）；第二步语义注入——编码后续提示时，在每一层把对应的语义表示临时插入到 [BOS] 之后，让缺失的身份语义参与该层的自注意力计算，算完之后再把这些 sidecar token 移除，因此不改变提示的实际长度、也不影响后续模块的接口。增强后的文本条件送进图像生成模型（SDXL / FLUX 系列均可），得到一致的故事帧。整个机制作用在文本编码器的隐空间，与生成器解耦，所以能直接叠在多种现有方法之上。 auto 实验效果：在 FreeStoryBench 上，Sidecar 叠加到多个 SDXL 与 FLUX 基线上都稳定改善了提示-图像对齐与角色一致性，且计算开销可忽略。定性对比展示了三组故事：精灵组中 ConsiStory 原版在第 2 帧把角色画成了完全不同的黑发男子、第 6 帧又变成矮壮的中年人，加上 Sidecar 后六帧都维持银发翠袍的同一形象；松鼠组中 StoryDiffusion 原版在第 3、5 帧把主角替换成了人手与男孩，加 Sidecar 后六帧都是同一只红松鼠；闹钟组中 FreeStory 原版的黄铜闹钟在后续帧里样式与破损细节不断变化，加 Sidecar 后双铃造型与裂纹表盘保持稳定。 auto 批判点评：这篇的定位很清楚，也很讨喜：不训练、不改架构、开销可忽略，却把自由形式叙事里「后续提示丢了身份语义」这个具体缺口补上了；把注入做在文本编码器的每一层隐状态、且算完即移除 sidecar token，是个干净的实现——不改变提示长度就意味着下游一切模块无需适配，这是它能叠在 SDXL 与 FLUX 多种基线上的原因。诚实度也值得肯定，作者自己写明「原生 T2I 模型没有显式跨帧一致性机制，Sidecar 能改善身份保持但不保证完全视觉一致」。局限同样明显：一是它只补文本端的语义，画面端的一致性（构图、光照、服装细节的连贯）仍完全依赖底座，因此改善幅度受基线天花板约束；二是评测只在 FreeStoryBench 一个基准上进行，两位作者来自单一机构、无更大规模验证，泛化性待观察；三是方法假定「角色的完整描述出现在第一句」，若描述分散在多句、或故事中途角色外观本应改变（换装、受伤、成长），逐层复用首句语义反而会阻碍必要的变化，论文未讨论这种冲突；四是多角色场景下如何为每个角色分别建库、注入时如何避免语义互相干扰，也未见充分说明。 10. VoiceMem：信息与情感双脑并行流式记忆 VoiceMem: Streaming Dual-Brain Memory for Real-Time Interaction | 南洋理工大学 + 新加坡国立大学 + 香港中文大学 | arXiv:2608.26005 关键词：语音语言模型,流式记忆,双脑架构,情感归因,人格建模,实时交互,NTU,NUS 前序问题：全双工语音语言模型（SLM）在延迟和自然度上已经进步很快，但缺一个像样的记忆系统。这里的难点不只是「记住事实」：语音交互是流式的，用户还在说话时系统就该开始处理，等一句话说完再做记忆检索必然引入可感知的延迟；同时语音承载的信息比文本多一层——同一句「我没事」，语气不同含义完全相反，纯文本记忆系统（Mem0、Zep 这类把记忆当可扩展事实库的方案）天然丢掉了这部分。结果是当前语音助手要么记不住上周聊过什么，要么记住了事实却听不出用户此刻的真实状态，长程交互中的人格与共情无从积累。 本文贡献：VoiceMem 提出一个双脑记忆架构：并行的「信息左脑」与「情感右脑」，加上流式的记忆读写机制。左脑走 schema-实体组织与涌现（自然演化式更新、一跳记忆索引，把记忆按 schema/实体/说话人分槽存放）；右脑做内节点与跨节点的情感建模、以及长短程情感归因（短期做单轮情绪检查、长期做趋势分析与记忆编辑），并用双节点人格建模来刻画用户画像。关键的工程设计是两个脑都在用户说完之前就开始处理：流式预处理阶段并行抽取说话人身份、ASR、实体、schema、情绪与嵌入（其中声纹与嵌入抽取为非流式）。作者还给了完整配套：记忆感知的 SLM 训练、长程评测、以及可换记忆后端的解耦部署，检索侧用四阶段流式流程压低延迟。 auto 实验效果：作者报告三方面结果。检索精度上，左脑在 top-5 检索设定下比 Mem0 在 top-200 设定下还高出接近 30 个点——即用远小的检索预算取得更高准确率。情感与个性化上，右脑在三个人格基准上达到当时最好水平，综合分比此前最佳系统提升 4.29 分。实时性上给出了真实部署验证。案例研究展示了四类记忆缺失时会出现的失败：用户说「我没事」但语气低落时，GPT-live 回「很高兴听到这个」，VoiceMem 回「你听起来不太好，发生什么了」；用户提到方案被否，VoiceMem 能指出「最难受的也许不是方案被拒」；用户说今天很累，VoiceMem 能回想起一周前提过的面试；用户问昨天在咖啡馆听到的歌，VoiceMem 能调出当时录下的音频片段。 auto 批判点评：把记忆拆成「信息」与「情感」两条并行通路，是这篇最有辨识度的判断，也确实抓住了语音相对文本的增量——纯事实库永远处理不了「语气与字面矛盾」这类信号。让两个脑在用户说完之前就开始处理，是对流式场景的正确工程取向，四阶段检索压延迟也务实。但几个数字要小心解读：一是「top-5 胜过 Mem0 的 top-200 近 30 点」是跨检索预算的比较，读起来极为亮眼，但严格的同口径对比（同 top-k）没在摘要层面给出，这种呈现方式对自己有利；二是人格基准上的 4.29 分提升缺少方差与显著性说明，人格类评测本身主观性强；三是「情感归因」在方法上依赖对情绪的自动识别与长期趋势总结，若上游情绪识别出错，错误会被写进长期记忆并持续影响后续回应，这个错误累积风险论文未讨论；四是隐私问题相当突出——系统会持久化说话人声纹、情绪轨迹、人格画像甚至原始音频片段（案例四直接回放了昨天咖啡馆的录音），文中未见相应的数据治理与用户可控性讨论，这对要落地的产品是必须回答的问题。 趋势观察 世界模型开始「同时输出画面和动作」，不再只做视频预测器 — 今天最重的两篇工作指向同一个转折：世界模型的产物从「未来画面」升级为「未来画面 + 可执行动作」。GameWAM 用并行的视觉与动作两条生成流，在同一次 flow matching 里既画出下一帧游戏画面、又吐出键鼠轨迹，成为首个能闭环玩原生游戏的 World-Action Model；WALL-SS 把机器人轨迹写成「观测与动作时间交错」的因果序列，动作依赖的状态转移被显式建模。这个转变的意义在于：过去「世界模型」和「策略」是两个分开训练、靠接口拼起来的模块，画面好看但不保证动作可执行；现在两者共享同一个生成骨干，动作与后果在训练时就被绑在一起。副作用也随之出现——GameWAM 发现的 LASI（低频动作源印记）表明当动作也由采样噪声生成时，噪声的低频分量会系统性地带偏镜头运动，这是纯策略网络不会有的新失效模式。 长时程不再靠「窗口拉宽」，而是靠分层记忆与尺度压缩 — WALL-SS 与 MMLVE-Agent 从两个完全不同的场景收敛到同一策略：把远处的历史压缩、把近处的历史保真。WALL-SS 的 scale-compressed memory 让近期交互留在细尺度、远期观测被压到粗尺度，从而在有界显存下跑出分钟级连续 rollout；MMLVE-Agent 面对多镜头长视频编辑，做法是把跨镜头身份写进一张「全局记忆卡」（编辑前后的参考实体图像对），后续镜头都拿这张卡对齐。这与前几周长视频记忆一致性专题里的判断一致：一致性问题的瓶颈在「记什么、怎么检索」，不在注意力能看多远。 免训练加速的战场从「有结构输入」转向「无结构输入」 — ClusterAttention 补上了稀疏注意力长期缺失的一块：以往免训练方法要么吃语言的顺序、图像的空间邻近这类先验，要么依赖跨多次前向摊销的慢速聚类，所以在「无结构输入 + 单次前向」这一格里一直是空的。它用一个随注意力头几何自适应的快速递归聚类，把簇尺寸固定为 2 的幂次，从而让块稀疏注意力在 GPU 上达到与稠密注意力相同的单次交互延迟。更有意思的是它推导出的误差表达式解释了一个反直觉现象——紧致的簇有时误差反而更大，而一旦对被剔除簇做质心补偿，误差就随簇越紧而越小。这类「先把误差写成公式再据此设计补偿」的做法，比纯经验调阈值更有迁移价值。 生成质量的评价标准从「单条像不像」转向「分布对不对」 — PAWBench 提出了一个容易被忽略但相当锋利的问题：一次 rollout 看起来物理合理，不等于模型学对了物理。抛硬币在同一初始状态下应该有大约一半正面一半反面，若模型十次里九次都是正面，它只是记住了一条「看起来对」的轨迹，而非世界的随机性。该工作把「概率对齐」形式化为分布级判据，并发现当前主流视频模型对真正改变物理的干预（铅笔倾角）反应不足，反而对不改变物理的干预（高尔顿板旁边的一行文字）过度反应——这几乎是「模型在读提示词而不是模拟世界」的直接证据。当行业普遍把视频生成叫作世界模型时，这个基准提供了一把必要的尺子。 人工智能炼丹君 整理 | 2026-08-31 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-08-27|浙大清华19B音视频4步2.5秒出片TurboT2VA 今日 AIGC 论文速览 今日共 10 篇 · 推理加速与少步蒸馏 1 篇 · 扩散后训练与奖励对齐 2 篇 · 音频统一理解与生成 1 篇 · 视觉 tokenizer 与表征组织 2 篇 · 图生 3D 与 PBR 资产 1 篇 · 物理接地图像编辑 1 篇 · 世界模型数据引擎 1 篇 · 大规模开源数据集 1 篇 重点论文标题列表 TurboT2VA（浙江大学、清华大学、天津大学、青岛大学、新加坡国立大学）：19B音视频4步蒸馏2.5秒出片 DiffusionOPSD（字节跳动 Seed、新加坡国立大学、加州大学圣地亚哥分校、牛津大学、香港科技大学、马里兰大学、加州大学伯克利分校、杜克大学）：把奖励梯度变成中间去噪目标 RVM（佐治亚理工学院、NVIDIA）：奖励加权速度匹配替代策略梯度 FireRedAudio（小红书）：理解与生成各走一条连续表征 AffineTok（复旦大学、阿里巴巴 Token Hub（Wan 团队））：语义仿射一致把gFID压到1.10 今日论文速览 1. TurboT2VA：19B音视频4步蒸馏2.5秒出片 TurboT2VA: Fast Large-Scale Text-to-Video-Audio Generation via Score-Regularized Consistency Distillation | 浙江大学、清华大学、天津大学、青岛大学、新加坡国立大学 | arXiv:2608.24674 关键词：少步蒸馏,一致性蒸馏,音视频联合生成,LTX-2,稀疏注意力,W8A8量化,浙大清华 前序问题：文本到「视频+音频」的联合生成能一次产出画面与声音同步的内容，但这类模型的推理成本高得离谱：采样轨迹长（40 步）、参数量大（19B）、而且视频流与音频流的计算特性完全不同，异构多模态计算让常规加速手段难以直接照搬。把大规模 T2VA 模型蒸馏成少步学生具体卡在三处：一是模态不均衡优化——视频与音频的损失尺度、收敛速度差异显著，共用一套归一化会让某一路主导梯度；二是连续时间一致性训练在这个规模上很难稳住，学生容易在训练中后期崩掉；三是质量与多样性的权衡——分布匹配类目标（DMD）虽然能把画质拉上去，却容易把生成多样性压塌，退化成少数几个模式。 本文贡献：TurboT2VA 的主体是一套双散度蒸馏框架加一条渐进课程。框架分三块：左侧对视频与音频分别做前向一致性蒸馏（各自沿教师 PF-ODE 学自己的一致性场，同时带跨模态一致性约束）；中间是 T2VA 双流骨干，视频流与音频流各有 self-attention 与 text cross-attention，再通过 VA cross-attention 相互耦合；右侧做反向散度精修，用分布匹配把学生输出分布拉向教师分布。课程按 dCM 预热 → sCM 精修 → sCM+DMD 联合优化三段推进，先建立稳定且多样的生成轨迹，只有到最后才引入分布级精修——顺序反了就会先塌多样性。模态不均衡用 per-modality normalization 解决。除蒸馏之外还配了一套架构感知的推理栈：guarded W8A8 量化与算子融合、padded-text compaction、模态感知稀疏注意力，但明确保留跨模态与文本条件路径为 dense，不对音画同步这条链路做近似。 Overview of the proposed Dual-Divergence Distillation framework for T2VA acceleration. The left panel illustrates forward consistency distillation for video and audio modalities, the middle shows the T2VA backbone with cross-modal interaction, and the right panel depicts reverse divergence (distribution matching) refinement. 实验效果：在 LTX-2 上做 4 步蒸馏，标准评测分辨率 512×768 下生成器延迟从 50.52 秒降到 2.51 秒，20.1 倍加速，同时维持视觉质量、音频保真度、多样性与音画同步。高分辨率部署（1024×1792、121 帧、单卡 NVIDIA H20、batch size 1）下的完整栈拆解得很清楚：40 步教师基线 318.74 秒；加 W8A8 与算子融合得 1.37 倍，降至 233.34 秒；换成 4 步学生再得 19.18 倍，降至 12.16 秒；最后叠加 SageSLA 稀疏注意力（默认 ρ=0.3）再得 2.08 倍，落到 5.83 秒，整体 54.67 倍（仅生成器）。训练曲线消融跑到 7,500 全局步：分阶段 dCM→sCM→sCM+DMD 在进入联合阶段后反超直接做 sCM+DMD，并在训练后期保持更强表现；从同一段 dCM+sCM 前缀出发，分阶段 sCM+DMD 的 Javis 分数也高于纯 DMD 精修或只继续 sCM。 High-resolution inference acceleration, achieving a 54.67$\times$ generator-only speedup on one NVIDIA H20. 批判点评：20.1 倍与 54.67 倍都是 generator-only 延迟，不含 VAE 解码、文本编码与音频后处理，端到端加速会明显低于这两个数字，读者不要直接当成「出片时间快 54 倍」。更需要留意的是 54.67 倍把蒸馏（19.18 倍）和推理工程栈（1.37×2.08≈2.85 倍）的功劳乘在了一起——工程栈那部分与蒸馏方法本身无关，换任何一个模型都能拿，混在一个标题数字里报有夸大之嫌。质量侧只给了「strong visual quality / audio fidelity / synchronization」这类定性表述，没有 FVD、CLAP、AV-Sync offset 的绝对值，也没有与 40 步教师的逐项差距，而少步蒸馏最该被审视的恰恰是「掉了多少」。W8A8 前面挂了 guarded 这个限定词，说明存在必须保护的敏感层，但哪些层回退高精度、回退比例多少没有交代，这会影响别人复现时的实际加速比。稀疏注意力保留了 dense 跨模态路径，意味着收益会随音视频 token 配比波动，不同视频时长下的敏感性没测。全部结论只在 LTX-2 一个骨干上得到；H20 是国内特供算力卡，其显存带宽与算力配比和 H100 差异不小，量化与稀疏化的收益能否平移过去论文没有讨论。 2. DiffusionOPSD：把奖励梯度变成中间去噪目标 On-Policy Self-Distillation in Diffusion Models | 字节跳动 Seed、新加坡国立大学、加州大学圣地亚哥分校、牛津大学、香港科技大学、马里兰大学、加州大学伯克利分校、杜克大学 | arXiv:2608.24646 关键词：扩散后训练,on-policy自蒸馏,奖励梯度,中间监督,人类偏好对齐,字节Seed 前序问题：强化学习能把扩散模型对齐到人类偏好与任务目标上，但奖励是打在端点（生成图）上的，它不告诉某一步的中间去噪预测该往哪个方向改。这就是扩散 RL 的结构性困难：自回归模型有可解析的样本似然，可以直接套策略梯度；扩散模型没有，于是现有方法只能绕——要么从随机去噪转移拼出轨迹似然，要么用证据下界近似端点似然。两条路都要付额外的计算与算法复杂度，而换来的监督信号仍然稀疏地挂在轨迹末端，中间那几十步实际上是在盲走。 本文贡献：DiffusionOPSD 把「图像级奖励引导」直接转成「clean-output 预测的显式目标」。每一轮外循环里，一个冻结的 behavior policy 先生成轨迹，同时提供采样查询状态与 anchor；奖励梯度在每个 anchor 周围构造出有界的正目标与负目标；可训练 policy 以 detached supervision 的方式拟合这些目标（作者称之为 finite fitting），拟合完成后用指数移动平均更新刷新 behavior policy。这个结构的价值不只在效果——它把「目标构造」和「有限实现」拆成两个可以分别度量的环节，从而让扩散 RL 第一次变得可诊断。论文特意做了同 query 的受控实验来分别观测这两环。 Reward-to-policy paradigms. We contrast trajectory credit, late-state reward backpropagation, and endpoint supervision with our explicit intermediate targets constructed before finite fitting. 实验效果：在 SD 3.5-M 与已做过步蒸馏的 Z-Image-Turbo 两个骨干、10 个 evaluator 组成的 20 个 reward-matched 设置中，19 个取得最佳 held-out 分数；相比最强竞争方法最高提升 44.0%。训练成本上，相比 DiffusionNFT 在 SD 3.5-M 上省 40% GPU-hours、在 Z-Image-Turbo 上省 63%（实验用单节点 8×NVIDIA A800-SXM4-80GB）。人类标注偏好中，标注者在 64%、71%、90%、61% 的 prompt 上更喜欢 DiffusionOPSD 而非 base 模型、FlowGRPO、DiffusionNFT、ReFL；胜出原因的构成显示提示词对齐与视觉质量各占大头。鲁棒性 sweep 表明 query noise 从低到中、目标半径 ρ 从 0.08 到 0.40 都稳定在默认水平附近。最耐人寻味的是那个负面发现：受控同 query 实验里，reward 梯度目标的构造增益是 +0.03511、DiffusionNFT 端点是 −0.03551，但一次拟合更新之后，HPSv2.1 的目标序在 62.3% 的 prompt 上发生反转——构造阶段赢得多，不代表落地得多。 Robustness and human preference. Low-to-mid query noise and target radii from $0.08$ to $0.40$ remain near the default, while query noise $0.90$ and branch coefficient $10$ fall to $0.2884$ and $0.2961$. Annotators prefer DiffusionOPSD over the base model, FlowGRPO, DiffusionNFT, and ReFL on $64\%$, $71\%$, $90\%$, and $61\%$ of prompts. 批判点评：这篇最有价值的结论其实是负面的：目标构造增益与单次拟合实现增益之间只有弱相关（62.3% 反转率）。它说明方法的两个部件耦合得比论文正面叙事更松，但论文没有据此给出「目标半径该怎么选」的可操作准则，把一个诊断工具停在了诊断阶段。19/20 的胜率听起来压倒性，可 10 个 evaluator 背后只有少数几类 reward，同一 reward 下多个 evaluator 高度相关，等效独立比较数远小于 20，这个分母是被放大过的。44.0% 是「相对最强对手的最大提升」而不是中位提升，属于挑最好看的那一格报。鲁棒性图自己也暴露了边界——query noise 取 0.90、branch 系数取 10 时 ClipScore 掉到 0.2884 与 0.2961，说明超参窗口并不宽，而实际调参时未必知道自己在窗口的哪个位置。作者共 14 人以上、横跨 8 家单位，正文却以「DiffusionOPSD Team」匿名署名（真实名单只在附录），这类大团队技术报告的工程细节历来难以被外部独立复现。 3. RVM：奖励加权速度匹配替代策略梯度 Scaling Reinforcement Learning for Diffusion Models via Velocity Matching | 佐治亚理工学院、NVIDIA | arXiv:2608.23664 关键词：扩散奖励微调,速度匹配,免轨迹更新,VBench,动态跟踪奖励,NVIDIA 前序问题：奖励微调正在成为把扩散模型对齐到人类偏好与任务目标的主要工具，但现有方法基本是把大语言模型那套策略梯度机制整体继承过来的。问题在于扩散模型不像自回归模型，它对生成样本没有可计算的似然。结果是当前方案只能从随机去噪转移构造轨迹似然，或者用证据下界近似端点似然，两者都引入额外计算与算法复杂度。作者要论证的是一个更激进的判断：这套基于似然的机制对扩散奖励微调根本不是必需的。另外还有个实践层面的坑——标准偏好奖励在视频生成上会偏爱画面干净但几乎静止的输出，等于奖励模型在鼓励模型偷懒。 本文贡献：提出 reward-based velocity matching（RVM），一个直接作用在速度场上的免轨迹更新。流程是：从高斯噪声出发做 16 步 ODE rollout（不用 CFG）得到分组样本，用公开奖励模型加上自研的 dynamic-tracking（DT）运动奖励打分；每个生成样本只加噪一次得到 x_t，其速度目标为 v = ε − x0；然后用奖励加权的速度匹配损失做回归，额外带一个可选的 anchor 项控制相对参考速度场的漂移。方向上它强化高奖励生成对应的速度方向、抑制低奖励方向，不需要沿轨迹反传，也不需要任何似然项。论文进一步指出这是一个通用框架，RAM 与 DiffusionNFT 都可作为特例被恢复。文中还给出了轨迹损失与速度匹配的机制对比：轨迹损失提升的是被采样单步转移的似然，因而朝下一个去噪状态移动，而那个中间状态是随机的、不保证比当前更接近干净端点，目标方向因此含噪。 Overview of RVM. Left: RVM fine-tunes Wan2.1-1.3B with a simple reward-weighted velocity-matching loss. Grouped rollouts are scored using public reward models together with our dynamic-tracking (DT) reward, and each generated sample $\bm{x}^i_0$ is noised once to $\bm{x}^i_t$ and regressed toward its velocity target $\bm{v}^i=\bm{\epsilon}^i-\bm{x}^i_0$, with an optional anchor velocity $\bm{v}_{\mathrm{anc}}$ controlling model drift, avoiding trajectory storage and likelihood estimation. Right: on Wan2.1-1.3B, RVM achieves the best VBench Overall score at a fraction of the training cost of trajectory-based methods. 实验效果：在 Wan2.1-T2V-1.3B 上，RVM 用 525 GPU-h（8×H100，含 rollout、奖励评估、梯度更新三段）完成微调，FlowGRPO 需 1,159 GPU-h（2.2 倍）、DanceGRPO/TaRoS 需 6,171 GPU-h（11.8 倍）；成本最低的同时拿到最高的 VBench Overall 84.13，FlowGRPO 为 75.91。引入 DT 奖励后运动幅度大幅改善，而 VBench 整体表现同时上升，说明「动起来」和「好看」并非必须二选一。另一个实用发现是：速度更新一旦简化，具体用哪种损失变体的影响就小于奖励与 anchor 的设计——这把调参重心从损失工程挪到了奖励工程。少步推理测试中，把训练好的 16 步时间网格子采样到 5 步与 4 步、保持同一 timestep schedule，VBench Total 仍然保持稳健。 GPU-hour cost comparison on Wan2.1-T2V-1.3B. Training time is decomposed into rollout, reward evaluation, and gradient update. % Note that despite being the cheapest, RVM attains the highest VBench Overall ($84.13$ vs. $75.91$ for FlowGRPO). 批判点评：提交件里作者块留的还是 ICLR 会议模板的占位符（Cranberry-Lemon University 那一段），真实作者信息在另一份 tex 文件里，说明投稿版本管理相当仓促，这类细节多少反映了工作的成熟度。「统一了 RAM 与 DiffusionNFT」的说法要打折看——特例关系通常依赖特定的权重函数与 anchor 取值，论文没有给出这些约化成立的严格条件表，缺了它这个 claim 更像叙事包装。VBench Overall 84.13 对 75.91 的差距确实不小，但作者自己就指出 VBench 系偏好奖励会偏爱静态高清画面、并因此专门做了 DT 奖励，那么再把 VBench Overall 当作主指标来宣布胜利，逻辑上有循环论证的味道。GPU-h 对比中 RVM 的 rollout 只用 16 步且不开 CFG，而基线是否在同等 rollout 预算与采样配置下测量没有交代清楚，成本优势里有多少来自算法、多少来自采样设置无法分离。主实验集中在 1.3B 规模，14B 级别模型上速度场回归是否仍然稳定、anchor 项该怎么随规模调整，都还是空白。 4. FireRedAudio：理解与生成各走一条连续表征 FireRedAudio: A General-Purpose Audio Language Model with Decoupled Continuous Representations for Understanding and Generation | 小红书 | arXiv:2608.24168 关键词：音频语言模型,统一理解生成,连续表征解耦,零样本TTS,语音编辑,小红书 前序问题：一个统一的音频模型既要识别和理解语言、副语言（情绪、说话人）与环境信息，又要支持语音合成与编辑。矛盾集中在表征这一层：理解任务偏好紧凑特征，因为长上下文建模吃不下高帧率细节；而语音生成需要可重建的特征，必须保留细粒度声学信息。用一套离散 token 同时服务两端，往往两头都不讨好——压得够紧就重建不回来，留得够细就撑不起一小时长音频的上下文。 本文贡献：FireRedAudio 共享一个 9B 参数的 LLM，但为理解与生成分设两条独立的连续输入表征。待识别或分析的音频走专用 Audio Encoder 加 Adapter；用于生成条件的语音输入走 RedAE 路径——RedAE 本身是个自编码器，把 50Hz 的音频帧压成 25Hz latent，训练时由一个冻结的教师 Audio Encoder 提供高层监督，并通过 iSTFT head 重建波形。LLM 直接输出文本，或者经 Flow Head 去条件一个 flow-matching DiT，产出连续声学 latent 再由 Decoder 还原成波形；DiT 的条件里同时包含历史干净 latent 与当前含噪 latent 以及 LLM 隐状态。经渐进多任务训练后，同一个模型支持 ASR、音频理解（可覆盖长达一小时的录音）、零样本 TTS、Instruct TTS，以及语义级与声学级两类语音编辑。作者称这是首个公开披露的、在单个可训练自回归 LLM 内为理解与生成分别提供连续输入表征的统一音频语言模型，代码已开源。 Overview of FireRedAudio. Decoupled continuous pathways encode inputs for understanding and generation. The shared LLM produces text or conditions a DiT to generate RedAE latents, which are decoded into waveforms. The inset illustrates the DiT conditioning for one audio step. 实验效果：综合评测下，音频理解与多语种 ASR 达到有竞争力或领先的水平；零样本 TTS 在内容准确率与说话人保持两项上都强；Instruct TTS 的指令跟随领先；语义与声学两类语音编辑相比 Ming-UniAudio-Edit 有大幅改善。长音频侧展示了四类能力：结构化组织（把录音解析成带 start/end、说话人、背景音、情绪的时间戳表格，量化的时间定位评测就聚焦这一项，达到秒级时间戳精度）、长文摘要（可按对象聚焦，如「只总结 Guest B」并给出 02:15/14:40/37:05 这类带时间锚点的要点）、时间↔内容双向检索（既能问「12:00 谁在说什么」也能问「定价模型在哪几个时间点被提到」）、以及跨录音证据的全局分析（如「为什么 Guest A 在 24:10 笑」需要串起 03:10 到 24:10 的多个证据节点）。这些结果支撑了一个结论：中等规模模型上，解耦的连续输入表征足以统一音频理解与连续潜空间语音生成。 Four representative long-form audio-understanding capabilities: structured organization, long-form summarization, bidirectional retrieval between time and content, and global analysis over evidence distributed across a recording. Our quantitative temporal-grounding evaluation focuses on structured organization. 批判点评：「首个公开披露」这个 claim 叠了三层限定词——publicly disclosed、within a single trainable autoregressive LLM、separate continuous input representations——本质是在一个足够窄的定义里宣称首创，读者要看清边界再决定这个「首个」值多少。9B LLM 的底座是什么、是否从某个开源模型继续训练，摘要完全没提，而这直接决定了工作量、复现难度与结果的归因。「competitive or leading」是典型的选择性表述，缺少与 Qwen-Audio、Step-Audio、Ming-UniAudio 等同类在主流 benchmark 上的逐项数字，读者无从判断领先幅度。一小时长音频理解的量化评测只覆盖「结构化组织」一项，摘要、双向检索、全局分析三项在图里是能力示意（带具体案例的界面示例）而非量化结果，这三项的真实可靠度目前无法评估。解耦两条表征的代价是推理时要同时维护两套编码器，额外的参数量与显存开销没有交代。语音编辑只对比了 Ming-UniAudio-Edit 一个基线，样本偏少。 5. AffineTok：语义仿射一致把gFID压到1.10 AffineTok: Semantic Affine Consistency for Diffusion-Friendly Visual Tokenizer | 复旦大学、阿里巴巴 Token Hub（Wan 团队） | arXiv:2608.23864 关键词：视觉tokenizer,语义对齐,扩散友好,SAC一致性,gFID,复旦阿里 前序问题：视觉 tokenizer 越来越流行往潜空间注入语义监督，好让下游扩散学得更轻松。但「语义究竟该怎么组织才有利于去噪」这个问题几乎没被认真研究过。现有做法是训一个 projector 直接从含噪 latent 预测语义——作者指出这实际预测的是「干净图语义的平均」，而扩散过程真正做的是先预测后验均值的干净 latent、再从它解码语义，也就是「平均后干净 latent 的语义」。这两者并不等价，把前者当目标去对齐，等于在优化一个错位的量。 本文贡献：论文先把问题形式化，定义语义恢复目标：去噪过程应当从含噪 latent 恢复出干净图的语义内容，好的 tokenizer 应当让这件事更容易。关键结果是一个正交分解——语义恢复误差可以正交拆成「从含噪 latent 直接做最优语义预测的误差」与「上述两种预测之间的误差」。第二项正是被忽略的一致性要求，作者命名为 Semantic Affine Consistency（SAC），并给出 tokenizer 侧的代理指标 M_SAC 用于在不训扩散模型的前提下诊断。方法层面 AffineTok 用两个纯训练期组件促进 SAC：Global Semantic Coordination Token（GSCT）是一个前置的可学习 token，与 patch embedding 一起送进 encoder，用来协调干净 latent 的语义组织、让「语义平均」这个操作仍然有意义，解码前该 token 即被丢弃；Posterior-Mean Semantic Alignment（PMSA）学一个后验均值预测器 G_post，从含噪输入预测后验均值 latent，再用语义投影器监督从中恢复出的语义。语义监督由冻结的 DINO 提供，两个组件推理时都不存在，因此零部署开销。 Overall framework of AffineTok. The input image is processed in parallel by a frozen VFM and a trainable tokenizer. Its encoder jointly maps patch embeddings and a prepended learnable GSCT to a global output and clean patch latents (z_0). After (z_0) is noised into (z_t), the resulting global and noisy patch representations receive semantic supervision; the global output is then discarded, while (z_t) is decoded for reconstruction. Along the PMSA path, (G_post) maps (z_t) to a posterior-mean estimate, and (S_post) maps the estimate to semantics. Only clean patch latents are retained downstream. 实验效果：M_SAC 在所评估的多个 tokenizer 与扩散模型规模上都紧跟生成质量，与 SiT-XL 的 gFID 达到 0.960 的 Pearson 相关，这构成了「用 SAC 指导 tokenizer 训练」的依据。ImageNet 256 上，相比基线在 20 epoch 时 gFID 降低 26%；继续训练后取得新的 SOTA——不用 classifier-free guidance 时 gFID 1.21，用 guidance 时 1.10。针对性语义探针（越低越好）显示：语义轴不一致率上，RecTok 在 θ>30° 为 58.3%，加 GSCT 降到 24.4%（降 58%）；θ>35° 从 29.5% 降到 7.8%（降 73%）；θ>40° 从 12.2% 降到 2.8%（降 77%）。严重失败率（Top-10 语义检索 miss）上，RecTok 在 t=0.7/0.8/0.9 三档为 5.6%/6.4%/15.1%，GSCT+PMSA 后降至 2.3%/3.1%/6.7%（分别降 59%/52%/56%）。 Targeted semantic probes for GSCT and PMSA (lower is better). Left: Cross-split semantic-axis inconsistency rates for RecTok and +GSCT across three angular thresholds. Right: Top-10 semantic retrieval miss rates for RecTok and +GSCT+PMSA under three severe noise levels. 批判点评：0.960 的 Pearson 相关是在有限数量的 tokenizer 与扩散规模上算出来的，样本点少时相关系数极易虚高，论文需要给出参与拟合的点数与置信区间，否则「M_SAC 可以当选型指标用」这个推论支撑不足。正交分解本身是恒等式变形，它严格说明 SAC 是语义恢复误差的一个必要成分，但不等于「提升 SAC 必然提升生成质量」——两者仍可能同源于第三个变量，论文的因果链是靠相关性搭起来的。gFID 1.10/1.21 是「继续训练」后的结果，基线是否在同等训练预算下评测需要核对，否则 SOTA 里混进了算力优势。语义探针的失败率依赖作者自定的角度阈值 θ，θ 从 30° 挪到 40° 时降幅从 58% 变成 77%，挑阈值的空间不小，读者应关注全曲线而非某一点。GSCT 与 PMSA 只在 ImageNet 256 的类条件生成上验证，能否迁移到文生图与视频 tokenizer 完全未知，而后者才是这条技术线的主战场。 6. KATok：按内容丢token压缩率推到252 Keep-or-Drop? Adaptive Tokenizer for Compact Video Representation | Kakao（韩国） | arXiv:2608.24293 关键词：视频tokenizer,自适应压缩,Gumbel-Softmax,时空冗余,潜在扩散,Kakao 前序问题：潜在扩散之所以能做高保真图像与视频合成，靠的是用 VAE 把数据压到紧凑潜空间来省算力。但常规 VAE 对视频并不合适——它采用固定压缩率，无法适配时空内容复杂度的巨大差异。一段几乎静止的镜头和一段剧烈运动的镜头会被压成同样多的 token：前者纯粹浪费，后者细节不够。固定码率这件事在图像上尚可忍受，到了视频这个冗余度极高、且冗余分布极不均匀的模态上就成了明显的浪费。 本文贡献：KATok 是一个基于 transformer 的 VAE，内含与 latent token 联合学习的自适应 token selector。视频先切成时空 patch 编码成连续 latent token；selector 用 Gumbel-Softmax 松弛为每个 token 预测 keep-or-drop 概率，也就是评估该 token 的内容丰富度，产出一份软 token-drop mask；这份 mask 与 decoder 的注意力共享，保证编解码两侧的 token 选择保持一致；decoder 则通过可学习的 granular query token 去注意保留下来的 latent，重建原始输入。直接把自适应 tokenization 接到扩散模型上会出问题——丢 token 会打乱原有的时空结构，导致生成时内容与位置错配。为此论文提出两种位置预测策略：cascaded generation 与 joint generation（内容与位置联合生成），用来保证空间一致性。 Overall architecture of KATok. A video is divided into spatio-temporal patches and encoded into continuous latent tokens. The adaptive token selector predicts per-token keep probabilities via Gumbel–Softmax relaxation, producing a soft token-drop mask shared with the decoder attention for consistent token selection. The decoder reconstructs the input via learnable query tokens by attending to the masked latent tokens, forming an end-to-end differentiable pipeline for adaptive token selection. 实验效果：在 SOTA 级压缩率下同时保持强重建与生成质量。压缩率随输入尺寸单调增长，这是自适应方案相对固定方案的核心优势：256²×16 帧约 133，384²×16 约 159，480²×16 约 183，512²×16 约 191，一路到 512²×32 帧达到 252；对照之下 ElasticTok 在测到的两个尺寸上都固定在约 102，OmniTokenizer 则是一条 96 的水平线。也就是说输入越大、冗余越多，KATok 的收益就越明显。进一步分析表明这个改善主要来自削减时空冗余、移除低信息量 token，定量与定性结果都支持这一点。消融图显示：朴素模型直接生成稀疏 latent 时会出现内容-位置错位（图中红框标出），而 joint content-position 与 cascaded 生成策略能缓解这个问题并提升整体生成质量。 Token scaling with video size. As spatial and temporal resolution increase, our method achieves progressively higher compression ratios, demonstrating efficient scalability across input sizes. In contrast, OmniTokenizer maintains a fixed compression ratio, and ElasticTok remains nearly flat. (Conventions and compression ratio definition follow Table.) 批判点评：「data-dependent 压缩」的另一面是 token 数变成不定长，这会直接冲击批处理效率、显存预算与推理调度。论文只在「空间错位」这一处正面应对（靠两个生成策略补救），完全没有量化不定长带来的吞吐损失——而这恰恰是工业落地时第一个要问的问题。压缩率 252 对 96 的对比要成立，前提是双方重建质量在同一水位，可论文对质量只用了「strong」这样的定性词，缺少同 PSNR/rFID 下的压缩率对照表。图里另一个可疑点是 ElasticTok——它本身就是弹性 token 方案，却几乎持平在 102，与其设计意图不符，很可能是基线配置未针对这些分辨率调优，这类对比对基线不太公平。keep-or-drop 是二元决策的松弛，对于「部分重要」的 token 没有中间档，直觉上不如按重要度分配比特数来得优雅。评测集是 UCF、Kinetics、Sky 一类经典短视频数据集，长视频与高动态场景没有覆盖，而那才是自适应压缩本该发挥最大价值的地方。 7. Luce：单图出可重光照PBR高斯资产 Luce: Relightable Gaussians for 3D Asset Generation | Apple | arXiv:2608.23943 关键词：图生3D,PBR材质,可重光照,高斯splatting,rectified flow,Apple 前序问题：高保真的图生 3D 需要一个同时刻画几何与外观的 3D 表示。而要支持重打光、并且能接进标准渲染管线，这个表示必须包含 PBR 模态——albedo、metallic-roughness 与表面法线。现实是主流生成式 3D 表示往往只产出「把光照烘死在外观里」的结果：单看渲染图挺漂亮，一旦塞进游戏引擎或影视管线换个环境光就露馅，因为模型从未把材质与光照分离。 本文贡献：Luce 把几何与 PBR 材质统一在一个体素化的多模态高斯云里，为每个模态配专属的高斯基元。流程分两段：表示转换阶段，给定一个 3D PBR 资产先渲染多视角图，再在稀疏体素网格上按模态各拟合一套高斯 splat（albedo、metallic-roughness、normals），得到 PBR Gaussians；一个结构化潜空间 VAE（SLatVAE）把这个表示编码成紧凑可扩散的 latent，并能解码回 PBR Gaussians。生成阶段，一个 rectified-flow transformer 从单张图生成该 latent，条件来自预训练图像编码器的多层特征（DINOv2 的 L6/L12/L18/L24），多层同时取用是为了兼顾语义上下文与细空间细节；先过 Sparse Structure Flow 定结构、再过 SLat Flow 出 latent、最后由 SLat Decoder 解成 PBR 高斯。产物可直接用 GS 渲染器配 IBL 环境贴图着色，也可选走 Mesh Decoder 导出带切向空间法线图的纹理网格。 Overview of Luce. (Top) Representation and SLatVAE. Given a 3D PBR asset, here a Toys4K sample, we render multiview images and fit per-modality Gaussian splats (albedo, metallic-roughness, normals) on a sparse voxel grid. A structured latent VAE (SLatVAE) encodes this representation into a compact, diffusible latent and decodes it back to PBR Gaussians. (Bottom) Generation pipeline. Given a single input image, a sparse-structure flow first predicts the sparse voxel layout. Conditioned on multi-layer DINOv2 features, SLatFlow then generates a PBR Gaussian latent at each active voxel. The structured latent decodes into relightable PBR Gaussians and also serves as input to the mesh decoder, which yields textured meshes with tangent-space normal maps and a complete PBR material set. 实验效果：Toys4K 上取得单图生 3D 的 SOTA，FID 相比最强基线改善 28%。论文另建了一个 AI 生成图像构成的 benchmark，在其上 CLIP 图文对齐分从最佳基线的 0.8299 提升到 0.8519。解码出的 PBR 模态可以在新环境贴图下通过标准 PBR 合成直接着色渲染，不需要抽网格、也不需要 UV 展开——这是相对「先出网格再烘材质」流程的实质简化。重光照验证里，论文把自家 deferred PBR 渲染器在高斯拟合上的输出与用 Blender EEVEE 渲染纹理网格的参考并排对照：同一把战锤在户外日光、草地、暮色、studio 点光、室内、拱廊六种环境贴图下，金属面的高光位置、锤头与手柄的整体色温都随环境同步变化，两条渲染路径的结果高度接近。生成资产还能保住文字、logo、铭文这类细节。 PBR shaded rendering. The decoded PBR modalities (albedo, metallic-roughness, normals) enable shaded rendering under novel environment maps via standard PBR compositing (Eq.), without mesh extraction or UV unwrapping. We compare our deferred PBR renderer on the GS fit against the textured mesh rendered with Blender EEVEE as a reference; the environment maps are listed in Appendix. 批判点评：重光照那组图容易被误读，需要说清楚：它比的是「自家 GS 渲染器 vs Blender EEVEE 渲染同一份纹理网格」，验证的是两条渲染路径自洽、材质分解没跑偏，而不是「重光照质量超越其他生成方法」——论文里没有与基线在重光照维度上的对比。FID 改善 28% 的评测集 Toys4K 是玩具类物体，几何规整、材质单纯，能否外推到复杂场景资产或有透射/次表面散射的材质，证据不足。CLIP 分 0.8519 对 0.8299 只差 0.022，落在 CLIP-score 的噪声量级内，属于弱证据；何况这个 benchmark 由作者自建，构成、规模与筛选标准都需要审视。为每个 PBR 模态各配一套高斯基元意味着基元数量成倍增长，训练与推理开销、体素网格分辨率上限论文摘要没有交代，而这决定了方法的实际可用规模。网格导出被标为 optional，说明主路径产物仍是高斯，要进现有 DCC 管线还差一步转换。作者全部来自 Apple，摘要未提代码或模型是否发布，短期内外部复现的可能性偏低。 8. TransPhy：看两张示例学会物理变换规则 TransPhy: Visual In-Context Learning for Physically Grounded Image Editing | 北京大学、商汤科技研究院、浙江大学 | arXiv:2608.24119 关键词：视觉上下文学习,物理接地编辑,MoE-LoRA,规则归纳,BAGEL,北大商汤 前序问题：视觉示例是指定图像变换的天然接口——很多变换用文字穷举描述极其困难，比如「让这块金属锈到这个程度」或者「让布料在这个受力下这样塌陷」。但现有视觉上下文学习（VICL）方法主要处理外观级的关系迁移，对物理接地的变换支持很有限，而后者的结果取决于材质属性、几何、物体交互与环境条件。给定一对 source-target 示例和一张查询图，物理接地的 VICL 要求模型做三件事：推断出被示范的是什么变换、把这个变换的效果适配到查询图特有的场景上下文、同时保住与规则无关的内容不被改动。 本文贡献：先建数据与评测：PhysVICL-74 含 74 条物理接地变换规则、5,240 对 source-target 图像，组合成近 7.5 万个训练与评测上下文；benchmark 划分把「新实例迁移」（同规则换物体）与「未见规则泛化」分开评，避免用同一个总分掩盖两种截然不同的难度。方法上 TransPhy 把任务分解成物理规则归纳与过渡对齐渲染两步：先预测被示范的规则，并生成一段针对查询图的显式目标状态描述（把隐式的视觉示范转成可检查的中间语言表示）；再通过 token 级的混合专家适配合成目标图，专家路由由局部化的过渡线索引导。实现在统一模型 BAGEL 上：理解通路走 Text Encoder 与 ViT Encoder，生成通路走 VAE Encoder，各自经 projector 汇入 MM Attention；Token Level Align 模块用示例对的差分（1-Sim）算出过渡热图，经 Top ρ%、token merging、region refine 得到精炼的过渡证据，以 L_STC 监督对齐 router；MoE-LoRA 的多个专家承担规则渲染，配 router 负载均衡与 token 负载均衡两个约束。 Overview of TransPhy on BAGEL. The understanding and generation pathways encode the exemplar--query context; ViT-derived transition evidence aligns token-level routing, while MoE-LoRA experts render the inferred physical rule. 实验效果：在物理规则遵循度、查询一致性、未见规则泛化三项指标上均优于既有的视觉上下文编辑方法。机制侧的证据来自专家路由可视化：逐层的专家使用热图呈现明显分化（不同 MoE block 偏好不同专家，而非均匀使用），说明路由确实学到了结构而不是退化成平均；把全部 token 硬路由到单个专家时（分别强制走 Expert 0 至 Expert 3），同一张查询图会得到肉眼可辨的不同编辑结果，红框标注处差异最明显——这支持了「不同专家承担了不同的变换成分」这一设计假设，而不是彼此冗余的副本。 Expert routing visualization. Left: layer-wise expert-routing heat map. Right: results obtained by hard-routing all tokens through experts~0--3. 批判点评：74 条规则、5,240 对图像撑起「近 75K 个上下文」，说明上下文是由有限图像对组合放大出来的，这个数字的实际信息量远小于字面，读者不该把它当成 7.5 万个独立样本看。更关键的缺口是：物理接地变换的真值怎么来的——渲染引擎合成、真实拍摄，还是另一个生成模型产出？摘要完全没交代，而这直接决定这个 benchmark 是否真的「物理正确」，如果真值本身来自生成模型，整套评测就退化成模仿另一个模型的偏好。效果全部以定性优势描述（improves adherence / consistency / generalization），没有一个绝对数字，也没有与具体基线的逐项对比表，这在有自建 benchmark 的情况下尤其说不过去。专家路由图分辨率偏低，红框标注的差异需要放大才能辨认，作为核心机制证据偏弱。方法只在 BAGEL 一个统一模型上实现，对底座能力的依赖程度未知。「未见规则泛化」的划分粒度（留出整条规则，还是同族规则的变体）会极大影响难度，摘要没有说明。 9. Game2World：先擦掉HUD再拿游戏视频训世界模型 Game2World Engine: Unlocking In-the-Wild Gameplay Videos for World Model Training | Game2World 团队（通讯作者 Dongping Chen，论文未标注机构归属） | arXiv:2608.24680 关键词：世界模型数据,游戏录屏,HUD移除,数据引擎,视频编辑,AAAI2027 前序问题：电子游戏是视频世界模型训练数据的规模化来源——环境多样、交互复杂、野外录屏在互联网上近乎无限。但原始录屏有个结构性缺陷：它把游戏世界和屏幕空间界面纠缠在一起。血条、小地图、任务提示、按键提示、伤害数字这些 HUD 元素会引入游戏特定的偏置和与世界无关的动态，世界模型会把「UI 的变化」当成「世界的变化」学进去，最终产出的既不是干净的画面也不是可信的动力学。 本文贡献：提出 GameUI-Taxonomy 与 G2WEngine，把「游戏 UI 定位与移除」形式化成一套全栈框架。HUD 资产抽取一路是：质量过滤（303 款游戏共 65.72 小时）→ 关键帧采样（采出 1,010 个不同帧）→ 标签起草 → 人工精修（平均每帧 3.69 个 HUD 部件）→ UI 抽取（把裁剪块转成透明资产）。HUD 覆盖层合成一路是：多样性过滤（去掉近似帧）→ 基于语义的构图布局与资产选择 → 时序动画（区分静态与弹出式资产的轨迹）→ alpha 合成与 bbox 追踪，确保合成出来的 UI 在时间上是连贯的。据此构建 Game2World：96K 合成配对视频（带精确重建目标）+ 来自 303 款游戏的 1,079 段野外片段用于真实评测；资产库含 21 个分类下 5,132 个已验证 UI 元素。最后提出 GameCleaner——一个免 mask 的游戏 UI 移除模型，把多模态语义理解与视频编辑能力结合起来，不依赖预先给定的 mask 就能识别并移除多样 HUD，同时保住底层场景内容与时序动态。 Overview of G2WEngine, a scalable data engine that transforms in-the-wild gameplay videos into world-model-ready data through HUD asset extraction, temporally coherent UI synthesis, and downstream support for HUD understanding, removal, and clean gameplay generation. 实验效果：受控 pilot 实验中，用去 UI 录屏训练的世界模型整体 VideoReward 比用带 UI 数据训练的高 6.83%——这是整篇工作的因果论断落点。UI 移除评测上，GameCleaner 在合成视频上平均 AAR 达 95.36，超过最强的时序 mask 基线 57.3%；野外片段上取得最佳 AAR 80.05，背景保持度 99.8。消融给出两条实用曲线：数据规模方面，野外评测下带参考图的表现从 0.2 规模的约 62 分升到全量的约 79.5 分，且曲线尚未收敛，说明继续加数据仍有空间；参考图 drop ratio 方面，野外表现在 20% 附近最好（约 79.8），过高（50%、80%）反而掉到 56、55 附近，而合成集上的表现则对 drop ratio 几乎不敏感（一直在 93~96）——这个合成/野外的分歧本身就是提示。 Ablation study of data scaling and reference drop ratio during training. We find out that larger and more diverse dataset show generalizable result on in-the-wild evaluation and have not converge yet. 批判点评：6.83% 的 VideoReward 提升来自「受控 pilot」，而模型规模、训练配置、评测 prompt 数量摘要一概没交代。这是全文最关键的因果论断，证据却最薄：去掉 HUD 有益在直觉上显然成立，但提升幅度是否稳定、在多大模型上还成立，目前没有答案。「超过最强时序 mask 基线 57.3%」是相对提升，考虑到基线在合成集上的绝对 AAR 只有 60 出头，相对数字把绝对差距放大了不少。野外 AAR 80.05 与合成 95.36 之间那 15 分的落差是重要信号：它说明合成 UI 与真实 UI 之间仍有明显分布差，而合成数据恰恰是训练主力，这个 gap 才是方法的真实上限所在。1,079 段野外片段作为评测集偏小，303 款游戏的品类分布也未公开，UI 风格的长尾覆盖存疑。1,010 帧的人工精修量对应 5,132 个元素尚算合理，但 21 个分类的边界是否清晰、多标注者一致性如何，都没有报告。最后，arXiv comments 里作者直接留邮箱寻求科研合作与资金支持，正文中也缺失机构归属——这是一支早期自筹阶段的团队，工程可复现性需要谨慎预期。 10. LAION-BVD：1000万小时开源视频数据集 LAION-BVD: A 10-Million-Hour Open Video Dataset for Multimodal Pre-training | 图宾根大学与图宾根 AI 中心、LAION、于利希超算中心（JSC, FZJ）、Wynd Labs、马普智能系统研究所与 ELLIS Institute Tübingen、慕尼黑工业大学 MCML | arXiv:2608.24845 关键词：开源视频数据集,多模态预训练,CommonCrawl,音频文本,ViCLIP,LAION 前序问题：多模态预训练的视频侧长期缺开放的大规模数据。现有开源视频数据集规模有限（InternVid-10M 量级），真正的大数据集掌握在少数机构手里且不公开，社区因此无法在视频与音频模态上独立验证 scaling 结论——图文模态上 LAION-5B、DataComp-1B 已经把这条路打通了，视频侧却一直缺一个对应的公共基础设施。 本文贡献：LAION-BVD 从 CommonCrawl 中筛出 13 亿条平台特定视频 URL（BVD-URLs），用分布式基础设施实际下载了 8,000 万个视频、总时长 1,000 万小时（BVD-RAW），面向视频、音频、图像三种模态的预训练设计。数据管线用内容感知的场景检测切出片段，并为片段合成生成视频 caption 与音频 caption。派生子集包括：从 240 万视频按 10 秒到 30 分钟过滤并切片得到的 BVD-V-55M（5,500 万片段），再采样出 BVD-V-10M 与 BVD-V-50M；按 2 到 30 秒过滤得到的 BVD-A-1.7M 与 BVD-A-10M 音频片段；以及采样并筛选场景切换帧得到的 BVD-I-300M（3 亿张图像）。最后一条是个有意思的角度——把视频帧当作图文数据的替代来源，因为场景切换帧的视觉分布与常规网页图库明显不同。全量数据集已向研究社区发布。 LAION-BVD data curation pipeline. We source data from CommonCrawl and filter for platform-specific video URLs, resulting in 1.3B high-quality video candidates. Out of these, we successfully downloaded 10M video hours using a distributed infrastructure from which we create the BVD-* subsets. 实验效果：在这些数据上训练的模型在标准 video-text 与 audio-text benchmark 上具备竞争力，且随训练量或模型规模增长持续改善。ViCLIP 上，BVD-V-10M 与 BVD-V-50M 的平均检索约为 56.3 与 56.9、平均分类约为 68.2 与 68.4，两项都高于 DataComp-1B（约 45.0 与 62.6）与 InternVid-10M（约 52.8 与 67.6）。CLAP 音频文本上，BVD-A-10M 的曲线整体位于 Laion-Audio 之上，且随模型规模增长的斜率更陡，从约 42.9 升到约 46.8，而 Laion-Audio 同区间为 42.1 到 44.8。用场景切换帧训练的模型取得了强图文检索表现——这印证了「视频帧可作为图文数据替代源」的判断；但同一组实验也诚实报告了反面：LAION-BVD 的 ImageNet 零样本分类仍弱于网页 alt-text 基线。 LAION-BVD is an open web video dataset at unprecedented scale. It facilitates strong downstream performance for multimodal pretraining. Left: dataset scale in comparison with existing video datasets. Right: average downstream performance of ViCLIP (video-text, tab:exp_results_wise_ft) and scaling-trends of CLAP (audio-text, tab:exp_results_clap_pure) on standard benchmarks. These results demonstrate that LAION-BVD serves as valuable training data across both video and audio modalities. 批判点评：caption 是「synthetically generate」的，也就是模型产出的伪标签。这决定了数据集的语义上限，也会把 captioner 的偏置固化进所有下游模型，而摘要没说用的是哪个 captioner、也没做 caption 质量的人工抽检——对一个定位为公共基础设施的数据集来说，这是最该交代清楚的一项。1,000 万小时是「下载到的原始时长」，真正进入训练的是切片后的子集（如 BVD-V-50M），两个量级不能混着读，标题里的数字带有一定的宣传性质。ImageNet 零样本弱于 alt-text 基线是个诚实且重要的负面结果：它说明视频帧的分布优势偏检索、不利分类，但作者点出后没给成因分析，读者拿不到「什么时候该用这份数据」的判断依据。开源发布的到底是 URL 列表还是视频本体，极大影响长期可用性——CommonCrawl 系数据集普遍存在链接腐烂，几年后的实际复现率会显著下降。版权授权状态与内容安全过滤强度未在摘要交代，这类超大规模网络采集数据集的合规风险不容忽视。评测骨干只有 ViCLIP 与 CLAP 这类相对轻量的判别式模型，这份数据能否直接用于生成式视频预训练（也就是社区最想要的用法）完全没有验证。 趋势观察 扩散后训练同一天冒出两条「去似然化」路线，方向出奇一致 — 今天最值得放在一起读的是 DiffusionOPSD（字节 Seed）和 RVM（NVIDIA + Georgia Tech）。两篇互不引用、机构毫无交集，却在同一个判断上撞车：把大语言模型那套策略梯度机制搬到扩散模型上，是一条走歪了的路。原因很朴素——自回归模型有可解析的样本似然，扩散模型没有。为了凑出一个「似然」，现有方法要么从随机去噪转移拼轨迹似然，要么用 ELBO 近似端点似然，代价是额外计算与算法复杂度，而换来的信号依然只挂在端点上。两篇的解法各走一边：DiffusionOPSD 往「中间监督」走，用 reward 梯度在冻结 behavior policy 提供的 anchor 周围直接构造出有界的正负目标，让每一步的 clean-output 预测都有明确的去处；RVM 往「原生表示」走，干脆不要轨迹、不要似然，直接在速度场上做 reward 加权回归，并顺手把 RAM 与 DiffusionNFT 收成特例。省下来的算力是实打实的：DiffusionOPSD 相比 DiffusionNFT 减 40%~63% GPU-hours，RVM 在 Wan2.1-1.3B 上 525 GPU-h 就跑完，DanceGRPO/TaRoS 要 6,171。更值得留意的是 DiffusionOPSD 那个负面发现——目标构造增益更大，不代表一次拟合后的实现增益更大，HPSv2.1 的目标序在 62.3% 的 prompt 上会反转。这提示扩散 RL 的下一个瓶颈可能不在「怎么定目标」，而在「一步优化能吃进去多少」。 少步蒸馏已经不单独交付了，它和推理工程栈捆成了一个整体 — TurboT2VA 的数字拆解值得逐段看：LTX-2 19B 音视频联合模型，1024×1792、121 帧、单卡 NVIDIA H20 上，40 步教师 318.74 秒。先上 guarded W8A8 加算子融合，拿到 1.37×，降到 233.34 秒；再换成 4 步蒸馏学生，19.18×，降到 12.16 秒；最后叠一层模态感知稀疏注意力（SageSLA，ρ=0.3），再 2.08×，落到 5.83 秒。整体 54.67×。这条链条说明了一件事：单看蒸馏是 19.18×，单看工程栈是 1.37×2.08≈2.85×，但它们乘起来才是那个吓人的数字，任何一环单独宣传都会失真。另一个细节是稀疏化的边界——作者明确保留了跨模态与文本条件的 dense 路径，只对模态内注意力做稀疏。这不是保守，而是承认音画同步这件事经不起近似。反过来看 RVM 那篇也印证了同一件事：它测了从 16 步网格子采样到 5 步、4 步的鲁棒性，说明「少步」已经从加速技巧变成了模型必须自带的属性，而不是发布后再补的一层优化。 视觉 tokenizer 的竞争焦点，从「压得多」挪到了「压得让下游好学」 — AffineTok（复旦 + 阿里 Token Hub）和 KATok（Kakao）走的是同一个方向的两条腿。AffineTok 问的是语义该怎么组织：现有做法训一个 projector 从含噪 latent 直接预测语义，作者指出这预测的是「干净图语义的平均」，而扩散真正需要对齐的是「平均后干净 latent 的语义」——这两个东西不是一回事。他们把语义恢复误差做正交分解，识别出被忽略的一致性要求（Semantic Affine Consistency），并给出 tokenizer 侧代理指标 M_SAC，报告它与 SiT-XL 的 gFID 有 0.960 的 Pearson 相关。KATok 问的是比特该怎么分配：常规 VAE 用固定压缩率，静止镜头和剧烈运动被压成同样多的 token，前者浪费后者不够；它用 Gumbel-Softmax 给每个 token 学一个 keep-or-drop 概率，压缩率从 256²×16 帧的 133 一路涨到 512²×32 帧的 252，而 ElasticTok 固定在 102、OmniTokenizer 固定 96。一个管「语义排布」，一个管「码率分配」，共同点是都不再把 tokenizer 当成一个可以离线调好然后冻住的前置模块，而是当成对下游生成质量负直接责任的一环。AffineTok 的 GSCT 与 PMSA 都只在训练期存在、推理时丢弃，这个设计取向也很能说明问题——愿意为下游多付训练成本，但不肯多付一分部署开销。 世界模型的瓶颈正在从「模型」挪到「数据能不能直接用」 — Game2World 和 LAION-BVD 是今天的数据侧双响。前者盯的是一个很具体的脏活：游戏录屏是世界模型训练数据的规模化来源，但血条、小地图、任务提示这些 HUD 元素把游戏世界和屏幕空间界面纠缠在一起，模型会把 UI 的动态当成世界的动态学进去。G2WEngine 把这件事形式化成全栈流程——从 303 款游戏、65.72 小时录屏里抽出 5,132 个已验证 UI 元素（21 个分类），再把时序一致的 UI 覆盖层合成回干净录屏，造出 96K 配对视频用于训练、1,079 段野外片段用于评测，最后训一个免 mask 的 GameCleaner 擦干净。受控实验里，用去 UI 数据训练的世界模型整体 VideoReward 高 6.83%。后者走的是另一个极端：LAION-BVD 从 CommonCrawl 捞了 13 亿条视频 URL，下载 8,000 万个视频共 1,000 万小时，切片后派生出 BVD-V-55M、BVD-I-300M、BVD-A-10M 等一系列子集，ViCLIP 上 BVD-V-50M 的平均检索约 56.9、平均分类约 68.4，都高过 DataComp-1B 与 InternVid-10M。两篇合起来的信号是：视频生成这条线上，「有没有数据」的问题正在被「数据里有多少是能直接喂的」取代。也要留一句冷水——LAION-BVD 的 caption 是模型合成的伪标签，它的天花板就是那个 captioner 的天花板；而它诚实地报告了 ImageNet 零样本分类仍弱于网页 alt-text 基线，说明视频帧的分布优势偏检索、不利分类。 人工智能炼丹君 整理 | 2026-08-27 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-08-20|LumaAI首证扩散缩放定律要10倍数据(Abra) 今日 AIGC 论文速览 今日共 10 篇 · 训练缩放与数据基建 2 篇 · 图像编辑与超高分辨率 2 篇 · 视频编辑 2 篇 · 推理加速与高效架构 2 篇 · 生成评测与诊断 2 篇 重点论文标题列表 Abra（Luma AI）：每参数200token是最优配比 EditBridge（上海交通大学·阿里 Qwen·新加坡国立大学）：4K图像编辑61秒完成 ⚡ GRNEdit（西安电子科技大学·小米 MiLM Plus）：2B模型打赢多个14B开源编辑器 CoinVE-200K（腾讯 PCG 在线视频事业部）：一条指令同时改5处的数据集 LinCa（上海交通大学·阿里云终端智能计算·西安交大）：5-7倍加速下文字仍不糊 今日论文速览 1. Abra：每参数200token是最优配比 Abra: Scaling Diffusion Image Training | Luma AI | arXiv:2608.17286 关键词：扩散缩放定律,IsoFLOP拟合,每参数200token,flow-matching,Luma AI ⚠️ 前序问题：语言模型这边，缩放定律早已是训练前沿模型的标准工具——给定算力预算，模型该多大、数据该多少，Chinchilla 给出了一条能直接照着执行的曲线。但视觉生成这边一直是空白：从业者知道模型越大越好、数据越多越好，却没人能回答「我有 10^21 FLOPs，参数和数据该怎么分」这个具体问题。此前少数几篇尝试过的工作，算力预算都偏小，拟合出的指数外推到实际训练规模时误差被放大得没法用。更麻烦的是，大家默认把 LLM 的经验直接搬过来——按 Chinchilla 的每参数 20 token 配比训扩散模型，而没有人验证过这个数字在视觉域是否成立。 本文贡献：这篇把这件事系统地做完了。作者构造了 Abra——一族受控的 flow-matching transformer，参数从 60M 覆盖到 2B，训练算力横跨 10^19 到 10^22 FLOPs 三个数量级，显著超出以往工作的预算上限。在这个规模上他们得到两个核心结论。第一，扩散模型的可预测性与语言模型一样好，损失随算力呈干净的幂律，IsoFLOP 曲线的最优点连成一条直线。第二也是最有价值的：扩散的计算最优点出现在每参数约 200 个图像 token，整整是 LLM Chinchilla 处方的十倍。第三个结论是给实践者的直接建议——与 LLM 不同，扩散模型对过训练相当鲁棒，所以拿不准时应该往「更多数据」而非「更大模型」的方向偏。最后他们证明这种可预测性不止于训练损失，还延伸到生成质量指标、最优 CFG 设置、表征质量，甚至训练曲线的形状本身都能坍缩到一个通用形式上。 Text-to-image diffusion transformers follow predictable scaling laws and require ten times as much data as a comparably sized language model to reach compute optimality. 实验效果：IsoFLOP 拟合给出 TPP = 191·C^0.0010（即最优 token-per-parameter 几乎不随算力变化，稳定在 200 附近），最优参数量 N = 0.0301·C^0.4951、最优数据量 D = 3.78·C^0.5049——两个指数都极接近 0.5，说明参数与数据应当同比例增长，这一点与 Chinchilla 一致，差别只在配比常数。过训练鲁棒性的证据来自 Iso-FLOP penalty 曲线：Abra 在 TPP 从 100 一路拉到 400 的区间内，惩罚基本贴着 0.2% 以下，而数字化重建的 Chinchilla LLM 曲线在 TPP 超过 100 后惩罚就迅速爬升到 3-5%。训练曲线的通用坍缩在 60M 到 2B 六个尺寸上验证，重标定后曲线几乎重合，相对波动收敛在 1% 以内。 Iso-FLOP suboptimality penalty $(L_N - L^*)/L^*$ versus TPP for the family (left) and the Chinchilla / Hoffmann et al. data (right), the latter figure-digitized by~besiroglu2024chinchilla and binned into log-$N$ model-size bands. Markers are the measured points ( evaluated checkpoints; digitized Chinchilla points); curves interpolate through them. The green/red bands mark the $0.2\%$ penalty threshold. 批判点评：这是今天这批里信息密度最高的一篇，而且是那种一旦被验证就会改变整个领域默认做法的工作。「每参数 200 token、是 LLM 的十倍」这个数字本身就足够有价值——它意味着相当多现有的文生图模型可能都处于数据不足的状态，一直在把预算错配到参数上。IsoFLOP 的两个指数分别是 0.4951 和 0.5049，加起来几乎正好是 1，这种干净程度说明拟合质量确实高，不是硬凑出来的。「对过训练鲁棒」这条实践建议也很务实：它把一个需要精确调参的问题变成了单边保守选择，工程上极其友好。不过要清醒几点。第一，最大只训到 2B 参数，而当前前沿文生图模型早已在 10B 量级以上，外推距离仍然不短——论文自己的图里最优点已经外推到 10^23 FLOPs 处的红点，这已是纯预测而非实测。第二，「200 token per parameter」这个数字必然依赖 tokenizer/patch 配置与图像分辨率，换一个 VAE 压缩率或 patch size，token 的信息量就变了，200 这个绝对值能否跨配置迁移，是使用者最需要知道却没有明确交代的。第三，全程使用 flow-matching transformer 这一种架构，结论对 UNet 或其他扩散形式是否成立未验证。第四，Chinchilla 的对比曲线是从原论文图里数字化重建的（论文自己在图注里标注了 curves are noisier than real per-run data），这个对照的严谨性弱于自己跑的实验，而「十倍」这个最抢眼的结论恰恰建立在这个对照上。第五，Luma AI 作为商业公司发布这份研究，代码与检查点是否开放决定了社区能否独立复现这条曲线。 2. EditBridge：4K图像编辑61秒完成 EditBridge: Towards Faithful and Efficient Ultra-High-Resolution Image Editing | 上海交通大学·阿里 Qwen·新加坡国立大学 | arXiv:2608.18063 关键词：超高分辨率编辑,扩散桥,分块稀疏注意力,4K保真,上交·阿里Qwen ⚠️ 前序问题：专业修图工作流里 4K 起步是常态，但扩散编辑模型基本卡在 1K 以下——注意力的二次复杂度加上显存墙，让高分辨率直接变成不可能。业界的通行绕法是两段式：先在低分辨率上编辑，再独立跑一次超分。这个做法看似合理，实际上埋了两个坑。一是信息发散：超分模型是在「猜」细节，它猜出来的东西与原始高分辨率图里真实存在的细节经常对不上——原图眼睛是棕色，低分编辑后超分给你补出一只绿色的眼睛，且补得很自信。二是纹理退化：超分要么把纹理磨得过平，要么锐化过头产生假质感。根子在于超分环节完全看不到原始 HR 图，它只能从 LR 结果凭空重建。 本文贡献：EditBridge 的做法是重新定义这一步在做什么。传统扩散是从噪声重新生成，而这里把细化过程形式化为一次结构化的数据到数据翻译：起点是 LR 编辑结果，终点是它的 HR 对应版本，整个过程显式地以原始 HR 源图为条件。这样一来，真实细节是「继承」来的而不是「猜」来的，信息发散问题从形式上就被堵住了。但引入 HR 源图作为条件会带来新的算力问题——两张超高分辨率图之间做全交叉注意力是不现实的。为此他们设计了先验引导的分块稀疏注意力：利用第一阶段编辑过程中已经产生的语义对应关系（用注意力图取 argmax 得到位置映射 π），把跨图交互限制在空间上真正对齐的区域内。也就是说，目标图的某个 chunk 只需要去看源图中与它对应的那几个 chunk，而不是全图。注意力被拆成两条路径：Path A 是域内自注意力，Path B 是先验引导的跨 chunk 稀疏注意力。 Overview of our proposed EditBridge. The upper section illustrates the inference process of the diffusion bridge, which transports the low-resolution edit to its high-resolution counterpart. The lower section details the construction of the correspondence prior and the proposed Prior-Guided Sparse Attention (PG-BSA) mechanism. 实验效果：在最高 4K 分辨率下实现高保真编辑且感知质量占优，2K 上相比基线取得 3.6 至 8.4 倍加速，4K 编辑可在 61 秒内完成——这个数字把超高分辨率编辑从「跑不动」推进到了可交互的区间。定性对比覆盖夜景霓虹招牌上的日文字符与水面倒影等细节密集场景，在 PISA-SR、Dit4SR、DiT-SR、TSD-SR、HiFlow 五个基线中，只有本方法保住了招牌上原本的文字笔画，其余方法要么把文字糊成噪点，要么改写成完全不同的字形。 Qualitative comparison at 2K resolution. Our method better preserves fidelity while enhancing visual clarity. 批判点评：这篇最值得肯定的是问题诊断的准确性：它没有把两段式方案的毛病归咎于「超分模型不够强」，而是指出结构性缺陷——超分环节看不到 HR 源图，所以必然只能幻觉。把修正手段定位在「让它看得到」而不是「让它更强」，这个判断决定了整个方案的正确性。复用第一阶段的注意力图来构建对应先验也很省——那份注意力本来就要算，等于白捡了一份稀疏化的依据，不需要额外的匹配网络。61 秒完成 4K 编辑这个数字给得具体且可验证，比笼统说「高效」有诚意得多。但有几处要打问号。第一，整个方法建立在「第一阶段的编辑注意力能给出可靠语义对应」这个前提上，而编辑幅度大的时候——比如把物体整个替换掉——目标区域在源图里压根不存在对应物，此时 π 映射会指向什么？这类场景恰恰是编辑任务里最常见也最难的，论文的示例（换伞的颜色、加一只小船）都属于局部小改动，大幅编辑下的行为没有交代。第二，3.6 到 8.4 倍这个区间跨度很大，说明加速比高度依赖图像内容与稀疏度，最坏情况是什么没说。第三，61 秒的硬件配置未在摘要中给出，A100 上的 61 秒和 H100 上的 61 秒不是一个概念。第四，方法仍然是两段式的，第一阶段 LR 编辑本身的质量上限直接决定了最终结果——如果 LR 阶段就改错了，桥接得再忠实也只是把错误高保真地放大到 4K。 3. GRNEdit：2B模型打赢多个14B开源编辑器 GRNEdit: Efficient General Video Editing from a New Binary-Evidence Perspective in Generative Refinement Networks | 西安电子科技大学·小米 MiLM Plus | arXiv:2608.16328 关键词：通用视频编辑,二元证据视角,生成式细化网络,空指令恒等通路,小米MiLM ⚠️ 前序问题：指令式通用视频编辑想用一个统一入口覆盖各种编辑操作，但现有方案在「怎么把源视频信息喂给模型」这一步上都很重：要么挂一条独立的重型条件分支，要么把源视频直接拼接进输入序列——前者增加大量参数，后者让序列长度翻倍，两条路都很贵。更本质的问题是，这些做法都把源视频当成一团需要重新理解的原始信息，而没有利用一个关键事实：编辑的绝大部分区域其实应该原封不动地保留下来。以「保持」为默认、只标注需要改的地方，信息量本该远小于从头重新描述整个视频。 本文贡献：GRNEdit 从 GRN（生成式细化网络）用 bit 组合编码视觉语义这一特性出发，把编辑语义重新表述成对每个 bit 的「保留还是翻转」的局部二元决策。这个视角转换是全文的支点：源信息不再是需要被重新编码的内容，而是支持当前二元状态的「坐标级证据」，而 GRN 主干继续负责把这些局部决策组合成全局连贯的生成语义。第一阶段用一个紧凑编码器把离散源码翻译为连续证据信号，在二元细化过程中持续注入。他们还借鉴 classifier-free guidance 的空提示训练，赋予空条件一个编辑专属含义——空指令即「不编辑」，由源重建来监督。这条恒等通路一石二鸟：既隐式强化了证据利用与内容保持，又在同一表示空间里产生了一个「源保持态」。于是第二阶段可以把每个编辑态与它对应的源保持态直接相减，用差异去修正那些第一阶段没定下来的目标 bit——这是一个相当巧妙的自我对照机制。 Overview of GRNEdit. Given a source video and an editing instruction, Stage I injects prompt-modulated source evidence into the GRN chunks through lightweight per-chunk projectors, each containing only about 3 M parameters for GRNEdit-2B and 7 M for GRNEdit-8B. Stage II refines the binary predictions by treating source evidence as support in keep regions and as counter-evidence in edit regions. 实验效果：仅用 0.6M 训练对、不到 3% 的条件化参数，GRNEdit-2B 与 GRNEdit-8B 在 OpenVE-Bench 上分别取得 4.03 与 4.18 分。2B 版本超过多个 14B 量级的开源编辑器，8B 版本与领先开源编辑器持平。第二阶段的监督设计在框架图中量化呈现：保持区域若用源信息使 p(target) 从 0.7 升到 0.9，交叉熵从 0.36 降到 0.11 作为奖励；编辑区域若照抄源信息使 p(target) 从 0.55 掉到 0.1，交叉熵从 0.6 升到 2.3 作为强惩罚——奖惩方向被显式分开。 Qualitative comparison across diverse editing tasks. GRNEdit performs more accurate edits while better preserving unedited content, whereas competing methods often miss the intended change or disrupt scene consistency. 批判点评：0.6M 数据加不到 3% 条件参数就让 2B 打赢 14B，这个效率比是今天最亮眼的工程数字，而且它不是靠更大的模型或更多的数据换来的，纯粹来自表示方式的重新选择。把编辑重述为 bit 级的保留或翻转，本质上是给模型换了一个更贴合任务的默认动作——从「重画」变成「保持」，这个先验一旦对了，学习难度会断崖式下降。空指令即恒等这条设计尤其漂亮：它不额外增加参数，却同时提供了内容保持的监督信号和第二阶段所需的对照基准，一个设计承担三个功能。但要看清几处限制。第一，整套方法深度绑定 GRN 这种二值化表示的骨干，对主流的连续 latent DiT 并不直接适用，普适性受限——这也解释了为什么它能这么省，代价是换不了底座。第二，OpenVE-Bench 上 4.03 对 4.18 这个 2B 与 8B 的差距只有 0.15，说明模型规模在这套方法下的边际收益极低，这既可以解读为「小模型就够」，也可以解读为「方法本身触到了天花板，加参数也没用」，论文倾向前一种解读但没有排除后一种。第三，「超过多个 14B 开源编辑器」这个表述里没点名是哪些，而开源 14B 编辑器的水平参差很大，这个对照的含金量无法判断。第四，0.6M 训练对相对于视频编辑任务的复杂度其实偏少，能力覆盖边界（能做哪些编辑类型、哪些做不了）没有说明。第五，两阶段推理意味着实际延迟是单阶段的两倍以上，效率优势主要体现在参数和训练成本上而非推理速度，摘要用 Efficient 一词容易造成误读。 4. CoinVE-200K：一条指令同时改5处的数据集 CoinVE-200K: A Large-Scale High-Quality Dataset for Compositional Instruction-Guided Video Editing | 腾讯 PCG 在线视频事业部 | arXiv:2608.17566 关键词：复合指令视频编辑,数据集与基准,原子操作解耦,Wan2.1-14B,腾讯PCG ⚠️ 前序问题：指令式视频编辑的数据集这两年质量在稳步提升，但有一个共同盲区：几乎全部只覆盖单一编辑操作。而真实用户的诉求往往是复合的——「把背景换成森林，同时把她的黄裙子改成深蓝礼服，再把桌上那台搅拌机拿掉」，这是一条指令里塞了三个互相独立的编辑意图，模型必须同时理解它们、并在同一段视频里各自忠实执行且互不干扰。用只含单操作样本的数据训出来的模型，面对这种复合指令时要么只执行第一条，要么把几个操作混在一起相互污染。数据的形态直接锁死了模型的能力形态。 本文贡献：针对性地补上这块。CoinVE-200K 包含 1080p、最长 201 帧的视频编辑对，每个样本涉及 2 到 5 个原子编辑操作，作用对象覆盖人物、物体与背景，操作类型覆盖添加、移除、修改与风格化。所有样本经过一套生成加过滤的管线，从指令忠实度、视觉质量、时序一致性、复合多样性四个维度把关。配套发布 CoinVE-Bench，按主体、操作类型、指令复杂度分层评测。更进一步，他们训了 CoinVE-Edit——基于 Wan2.1-T2V-14B 与 Qwen3-VL-8B-Instruct 构建的 22B 复合视频编辑模型。这个模型的关键设计是把不同编辑指令的注意力做区域感知的解耦：每条指令经 MLLM 编码为一组可学习 token，由 Mask Predictor 预测其作用区域 M，GateNet 输出门控系数 g 决定该指令是否需要掩码约束，再通过 Q-Blending 交叉注意力按权重 w_q = 1 - βg(1-M) 融合多条指令的输出。这样每条指令只在自己的区域内生效，天然避免了多指令互相污染。 An overview of the proposed CoinVE-Edit framework. 实验效果：在 CoinVE-Bench 上，CoinVE-Edit 在指令遵循、复合编辑准确率、视觉质量与时序一致性四项上均取得强表现。定性对比展示了一条指令含 4 个操作的案例（替换搅拌碗、添加菜刀、替换台面、移除玉米粒），与 SAMA、可灵 O3、Seedance 2.0 三个对照相比，只有 CoinVE-Edit 把四个操作全部正确执行且未误改其余内容——对照方法普遍出现漏执行或连带改动无关区域的问题。 Quality comparison of compositional-instruction video editing on CoinVE-Bench. 批判点评：复合指令这个切入点选得准。单操作编辑在学术基准上已经做得相当好，但用户真实场景里很少有人只提一个要求，这中间的差距被整个领域忽略了，而它偏偏是产品化的关键一环。Q-Blending 那个门控加掩码的设计也合理：g 决定要不要约束、M 决定约束在哪，两个自由度分开，比硬性给每条指令分配固定区域灵活。1080p、201 帧、20 万对的规模在视频编辑数据集里属于第一梯队，腾讯在线视频事业部的资源背景也让这个量级可信。但几点要留意。第一，也是最关键的：数据集是「生成加过滤」构建的，那些 2-5 个操作的复合编辑对本身是用什么模型生成的？摘要没说。如果生成器本身就是现有编辑模型，那 CoinVE-200K 的质量天花板会被它锁死，而 CoinVE-Edit 训完能超过的也只是那些数据更少的模型，未必超过数据生产者。第二，CoinVE-Bench 由同一团队用同一套管线构建，与训练集共享分布，22B 模型在上面的领先有多少能迁移到真实用户指令，是个悬念——定性图里的对照模型都是在自家基准上被评的。第三，22B 的推理成本没有交代，201 帧 1080p 的复合编辑单次要多久，这直接决定它是研究原型还是可用工具。第四，「2 到 5 个原子操作」的分布如何？如果绝大多数样本是 2 个操作，那么 5 操作场景的实际支撑就很薄。第五，多指令解耦依赖 Mask Predictor 预测的区域准确，当两条指令的作用区域天然重叠时（改人物服装 + 改人物姿态），这套机制如何处理没有说明。 5. LinCa：5-7倍加速下文字仍不糊 LinCa: Accelerating Diffusion Models via Learnable Decomposed Feature Caching | 上海交通大学·阿里云终端智能计算·西安交大 | arXiv:2608.17973 关键词：扩散推理加速,可学习特征缓存,可逆分解重构,ECCV 2026,阿里云 ⚠️ 前序问题：扩散模型迭代采样的成本一直是落地的主要障碍，特征缓存是近年最被看好的加速路径——把某些时间步的中间特征存下来，后续步骤直接复用或外推预测，跳过昂贵的完整前向。问题在于，现有的免训练缓存方法都在用一套统一的预测策略处理所有特征。而实际上不同特征的时序动态差异极大：有些特征随时间步平滑变化，零阶复用就够；有些高频剧烈波动，必须用高阶外推才不失真。用一把尺子量所有东西，结果就是在高加速比下质量崩塌——具体表现为文字糊成一团、细结构错乱。 本文贡献：LinCa 的思路是先分解再分别对待。它引入一个轻量可逆网络，把缓存特征拆解为若干具有不同连续性的子成分，对每个成分匹配相应阶数的预测策略——平滑的用零阶（直接复用），次之用一阶，波动大的用二阶外推。可逆性在这里是关键设计而非装饰：严格可逆保证了子成分预测完后能无损重构回原始特征空间，不引入分解误差，形成一条完整的「分解-预测-重构」闭环。可逆投影用 RevNet 结构实现（可逆 1×1 卷积 + 加减耦合的 MLP 分支），前向与反向严格互逆。训练层面，他们为不同模型、不同时间步区段分别训练预测器，让方法能自适应各处不同的特征动态。整套东西是「学出来的」而非手工设计的，这是与既有免训练方法的根本区别。 实验效果：已被 ECCV 2026 接收。在 FLUX、Qwen-Image 与 HunyuanVideo 三个模型上验证，额外参数少于 0.2%，在 5 至 7 倍加速下保持接近无损的质量，显著优于既有方法。FLUX 上 5.51 倍加速的定性对比最能说明问题：提示词包含大段英文文字时，TeaCache、FORA、ToCa、DuCa、TaylorSeer 五个基线在相近加速比下文字均出现不同程度的糊化、笔画粘连或整体消失，而 LinCa 的文字与原始无加速结果几乎逐字符一致；橙子笑脸、马背上的电视机等构图元素也未出现基线中常见的物体丢失或结构错乱。 批判点评：把「统一策略」换成「按连续性分解后差异化处理」，这个思路对得很自然——特征动态本来就不均质，用一套策略是明显的欠拟合。可逆网络的选择尤其到位：如果用普通的编码器解码器做分解，重构误差会在数十个时间步里累积放大，把加速带来的收益抵消掉，而严格可逆从数学上消除了这个隐患。0.2% 参数换 5-7 倍加速的性价比很高，文字保持能力那张对比图也非常有说服力——文字是检验扩散加速方法最狠的探针，因为它对高频细节的破坏零容忍，五个基线全部翻车而 LinCa 几乎无损，这个差距不是调参能解释的。ECCV 2026 接收提供了同行评议背书。但要留意几点。第一，「学习」是双刃剑：需要为不同模型、不同时间步区段分别训练预测器，意味着换一个基座模型就要重新训一遍，而它对标的 TeaCache/TaylorSeer 等方法是完全免训练、即插即用的。0.2% 参数听起来很少，但训练流程的存在本身就是部署门槛，这个对比维度摘要没有正面回应。第二，可逆网络在每个缓存步都要跑前向与反向两次变换，这部分开销是否已计入 5-7 倍的加速统计口径，直接影响数字的诚实度。第三，三个验证模型都是 DiT 架构，对 UNet 类扩散模型是否有效未验证。第四，加速比只报到 7 倍，而基线方法在 5 倍附近就已明显退化，那么 LinCa 在 10 倍以上的表现如何、崩塌点在哪，是使用者最关心却未披露的信息。第五，「分解为不同连续性的子成分」这个划分是学出来的，缺乏可解释性——学到的成分究竟对应什么语义、划分是否稳定，论文没有做分析。 6. CapData：4.4亿图按能力依赖排课 From Corpora to Co-Evolving Capabilities: Capability-Centric Data Design for Generalist Image Generation | 阿里巴巴集团 | arXiv:2608.18076 关键词：图像生成数据基建,能力驱动排课,三引擎recaption,4.4亿图池,阿里巴巴 ⚠️ 前序问题：大规模图像生成的进步很大程度上来自数据侧——扩规模、提质量、做再平衡、重新写 caption。但常规做法有个结构性问题：每个任务的数据集都是孤立优化的。文生图数据管文生图，编辑数据管编辑，知识关联数据管知识关联，各建各的、各调各的。而真实情况是，生成能力之间存在依赖关系——模型得先能把文本和图像对上，才谈得上做图像到图像的变换；得先有稳定的视觉表达，才谈得上把知识实体正确渲染出来。数据如果不按这个依赖顺序组织，就会出现「教高级技能时基础还没打牢」的低效学习，算力被浪费在模型还接不住的监督信号上。 本文贡献：提出一套能力驱动的数据基础设施，把「针对能力构造监督」与「按能力对齐排课」耦合起来。三个专门但可互操作的数据引擎分别构建互补的关系型监督：T2I 引擎负责文本-图像接地（大规模图池 + 能力检索 + 多风格双语 recaption，覆盖 short/medium/long/dense/tags/entity 六种粒度），编辑引擎负责图像间变换（基础编辑、自然关联、专家自蒸馏等多维度策展 + T2I 对齐的编辑 recaption），知识引擎负责图像-知识关联（从 Wikidata 出发，PageRank 筛选实体后检索配图）。caption 专家横跨任务与粒度对齐 T2I 与编辑监督。多阶段课程沿能力获取的依赖顺序，联合演进任务构成、视觉概念分布、数据质量与图像分辨率，并由能力感知评测闭环——把失败案例送入 Failure Pool，触发邻近数据搜索与专家自蒸馏，再由分布控制器做缺口感知的重采样，持续失败的桶提高采样权重、已解决的降低权重。规模上策展出 4.4 亿图 T2I 语料、1.2 亿编辑对、超 2700 万图像-实体对，并用它从零训练 3B 与 6B 两个规模的多模态扩散模型。 Capability-specific data construction in our framework. Shared collection and wrangling feed three specialized but interoperable engines for visual expression, editing association, and knowledge-grounded reasoning. 实验效果：在 CPI-Bench 上做定量评测，并在多样的文生图与编辑场景做定性评估，结果显示广泛的视觉覆盖、多样的渲染能力，以及跨生成能力的有效迁移——即在一种能力上的数据投入能带动相关能力的提升，这正是「协同演化」这一命题的直接证据。 Capability-gap-driven active feedback loop. Capability-aware evaluation identifies failure cases, which seed neighboring-data retrieval and expert-driven construction. Gap-aware resampling then increases the weights of persistent failures and down-weights resolved gaps in subsequent training. 批判点评：把数据工程从「造语料」提升到「设计能力依赖图并据此排课」，这个视角在当前是稀缺的。大多数数据类论文的贡献是「我造了更多更好的数据」，而这篇的核心主张是「数据之间的组织顺序本身就是一种方法」，这是不同层级的命题。那个失败池 + 缺口感知重采样的闭环尤其务实——它把评测从「训完看看多少分」变成了「持续驱动下一轮数据采集」的控制信号，让数据基建具备了自我修复能力，而不是一次性的静态产物。4.4 亿图加 1.2 亿编辑对的规模，配合从零训练 3B/6B 两个尺度，工程投入相当扎实。但几处必须打问号。第一，全文没有给出任何具体数字——CPI-Bench 上得了多少分、与哪些基线比、领先多少，摘要用「broad coverage」「versatile rendering」「effective transfer」这类形容词全部带过，这在一篇以规模和方法论为卖点的论文里是硬伤，读者无法判断这套复杂基建的实际收益。第二，「按能力依赖顺序排课」这个核心主张需要消融来支撑——如果把课程顺序打乱，性能掉多少？没有这个对照，「依赖顺序很重要」就只是一个合理但未经检验的假设。第三，CPI-Bench 疑似自建，与训练数据的关系未说明。第四，整套基建的算力成本极高（4.4 亿图的策展、两个模型从零训练），学术界基本无法复现，其价值主要体现为工业界的方法论参考而非可直接采用的技术。第五，「能力依赖顺序」是人工设定的还是数据驱动得出的？如果是前者，那这套框架的效果高度依赖设计者的先验判断，泛化到新能力时需要重新人工设计。 7. MoE-ViE：1.7倍大模型的效果76%延迟 MoE-ViE: Mixture of Experts Vision Encoder for Efficient Image and Video Understanding | Meta | arXiv:2608.17402 关键词：视觉编码器,细粒度MoE,免辅助损失均衡,Group GEMM,Meta ⚠️ 前序问题：视觉编码器是多模态模型的关键部件，扩容它确实能带来性能提升，但稠密扩容的代价是算力与推理延迟同步上涨。MoE 在语言模型那边已经证明是高效扩容的答案——激活参数远小于总参数，容量涨而算力不涨。但把 MoE 用到 CLIP 风格的视觉编码器上，设计空间基本没人在 SOTA 水平上系统探索过：专家该多细粒度？路由怎么平衡？稀疏化带来的 kernel 开销怎么办？视频能力怎么加而不损失图像知识？这些问题各自都有多个可能答案，而缺少系统研究意味着大家只能凭直觉照搬 LLM 的配置。 本文贡献：Meta 把这个设计空间系统扫了一遍，给出四条结论加一套模型。第一，细粒度 MoE 拓扑（更多更小的专家）相比稠密基线和标准 MoE 都有实质增益——这与 LLM 领域近年的发现一致，但在视觉编码器上是首次在 SOTA 水平确认。第二，提出免辅助损失的负载均衡变体，避免了传统 aux-loss 对主任务的干扰，同时改善专家利用率。第三，设计专用 MoE kernel（Group GEMM + kernel fusion）来抵消稀疏计算带来的推理延迟开销——这一点很实在，MoE 理论 FLOPs 低但实际延迟常常因为访存不规则而吃亏，不做 kernel 优化的 MoE 在部署时经常「省了 FLOPs 但没省时间」。第四，为了在增强视频能力的同时保住图像知识，引入帧级蒸馏配合一种新的冻结机制：视频微调阶段专家与文本侧 MLP 全部冻结，只让预训练教师对第 i 帧的表示去蒸馏学生对整段视频的表示，从而把视频能力「加」上去而不覆写已有的图像能力。 Illustration of MoE-ViE architecture and training pipeline. MoE-ViE adopts a fine-grained MoE design with optimized MoE kernels for latency reduction. We first perform contrastive pretraining on large-scale image-text pairs. During video finetuning, we introduce frame-level distillation and expert freezing to preserve the pretrained image understanding capabilities. 实验效果：跨多个尺寸预训练的 MoE-ViE 系列一致优于对应的稠密版本。最大模型在零样本性能上匹配一个 1.7 倍于它的 SOTA 编码器，而延迟只有后者的 76%。与 LLM 对齐后，MoE-ViE 在图像与视频基准上超过所有对照编码器，包括激活参数多达 5 倍的模型。ImageNet 1K 错误率随 GFLOPs 的缩放曲线显示，ViT-B/32、ViT-B/16、ViT-L/14 三个骨干的 MoE 版本（实线）在各自算力区间内均位于稠密版本（虚线）下方，且差距在算力增大后不收敛。代码已开源，论文被 ECCV 2026 接收。 MoE-ViE vs. dense models at multiple scales. MoE-ViE consistently outperforms their dense counterparts under the same compute budget. 批判点评：这是一篇标准的工业界系统性研究：不追求单点创新，而是把一个设计空间扫清楚并交付可用的模型和 kernel。价值在于确定性——它把「视觉编码器该不该上 MoE、怎么上」从猜测变成了有依据的选择。专用 kernel 那部分尤其值得称道，因为它诚实地面对了 MoE 最常被回避的问题：理论 FLOPs 的节省经常在实际延迟上兑现不了，很多 MoE 论文只报 FLOPs 而绝口不提墙钟时间。这里直接给出 76% 延迟这个端到端数字，说明作者知道读者真正关心什么。冻结机制的设计也很克制——加视频能力时把专家全冻，本质是承认「不确定改动会不会伤到图像能力，那就干脆不改」，这种保守在多模态扩展里往往是对的。但要注意几点。第一，与本项目关注的生成方向的关联是间接的：视觉编码器主要服务理解任务，对生成的价值需要经过 MLLM 这一层传导，读者不应把这里的收益直接映射到生成质量上。第二，「匹配 1.7 倍大的 SOTA 编码器」——是哪个编码器？摘要没点名，而 SOTA 这个词在视觉编码器领域可以指向差异很大的几个模型。第三，76% 延迟是在什么硬件、什么 batch size 下测的没说，MoE 的延迟优势对 batch size 极度敏感，小 batch 下专家利用率低会显著劣化。第四，「超过激活参数多 5 倍的模型」这个比较用的是激活参数而非总参数，MoE 的总参数量通常远大于激活量，从显存占用角度看这个对比对 MoE 是有利但不完整的。第五，帧级蒸馏用单帧教师去教整段视频学生，这个设定对需要跨帧推理的能力（如动作识别、时序因果）是否够用，值得怀疑——它教会的可能主要是「每帧都看懂」而非「看懂帧之间发生了什么」。 8. WildMoire：用生成模型造出去摩尔纹标注 Improving Complex Moire Removal with Generative Supervision | 哈尔滨工业大学·阿里淘天集团 | arXiv:2608.17883 关键词：摩尔纹去除,生成式监督,数据引擎,6.8K训练对,哈工大·淘天 ⚠️ 前序问题：训练去摩尔纹模型需要成对数据——同一场景的带摩尔纹版本和干净版本。麻烦在于真实世界里最难处理的那类摩尔纹恰恰最难获得配对标注：拍公共显示屏、翻拍网络图片时产生的大尺度、多彩摩尔纹，其干净原图根本无从获取，因为你没法控制那块屏幕、也拿不到原始素材。现有数据集只能在受控环境下采集，覆盖的摩尔纹形态与真实野外场景差距很大。这构成一个死结：最需要解决的场景，恰恰是最拿不到监督信号的场景。 本文贡献：既然干净图拿不到，那就造一个。作者提出一套数据引擎来生成训练监督：先收集含复杂摩尔纹的真实图像并定位其中的屏幕区域，然后部署多个图像条件的生成基础模型（SDXL、Nano Banana 2、Qwen-Image-Edit、GPT Image 2、FLUX.2 五个）各自产出候选参考图，再对候选做 patch 级的质量控制来筛选出最优结果——后处理包含空间位置与色彩对齐、patch 裁剪、预过滤、最优 GT 选择四步。用这套范式构建了 WildMoire 数据集，含 6.8K 摩尔纹-GT 训练对，分辨率 1024×1024。评测侧另外采集了约 250 对带真实干净 GT 的独立测试集——这一点很关键，它保证了评测不是自己造的数据自己评。 Overview of WildMoir'e dataset construction. We first collect real screen-captured images containing complex moir'e and localize the display regions. Five image-conditioned generative models then produce candidate GT images. The candidates are processed at matched spatial locations through spatial and color alignment, synchronized patch extraction, pre-filtering, and optimal GT selection. This offline procedure yields 6.8K moir'e-GT pairs at 1024()1024 resolution. The plots on the right summarize the improvements obtained by training ESDNet, SDXL, and Qwen-Image-Edit with constructed WildMoir'e dataset. 实验效果：在 ESDNet、SDXL、Qwen-Image-Edit 三个不同类型的模型上验证，加入 WildMoire 训练后各项指标一致提升：PSNR 分别为 23.37 对 21.50、23.56 对 21.90、23.93 对 22.23；SSIM 为 0.7821 对 0.7341、0.7887 对 0.7522、0.7851 对 0.7578；无参考指标 MUSIQ 为 44.21 对 38.20、45.07 对 41.48、58.97 对 55.33；TOPIQ 为 0.3413 对 0.2770、0.3583 对 0.3203、0.4624 对 0.4276。三个模型、四个指标全部改善，方向一致。 Comparison of qualitative results. The first example emphasizes logo and text fidelity under broad color interference, while the second contains severe mixed chromatic patterns over fine scene textures. Nano-Banana-2 is relatively content-faithful but may retain moir'e, whereas GPT-Image-2 removes artifacts aggressively while replacing scene content and producing an overly digital-image appearance. Using WildMoir'e suppresses residual bands more effectively across all 3 trainable models. 批判点评：「用生成模型造监督信号来训练修复模型」这个思路本身是有循环论证风险的——生成模型自己也会产生伪影，用它的输出当 GT，等于把它的错误当成真理教给学生。这篇之所以站得住，全靠两个设计。一是不用单个生成模型，而是让五个模型各出候选再做 patch 级筛选，把「相信某个模型」换成「相信多个模型中被质控挑出来的那部分」，显著降低了单一模型偏差的传播。二是测试集用真实采集的干净 GT 而非生成的，评测环节的可信度得到了保证——如果测试集也是生成的，整篇的结论就没有意义了。三个模型上四项指标一致改善也排除了偶然性。但要看清限制。第一，6.8K 对的规模在数据驱动的低层视觉任务里偏小，PSNR 提升 1.7-1.9 dB 虽然明确但不算大幅度，而这个提升是在测试集只有 250 对的情况下测的，统计置信区间没有报告。第二，生成的 GT 本质上是「一个合理的干净版本」而非「真正的原始内容」——摩尔纹遮住的地方生成模型是在猜，猜得好看不等于猜得正确，而 PSNR/SSIM 是在与真实 GT 比对，所以训练数据的这种「合理但不真实」的偏差会以什么形式影响模型行为，值得进一步分析。第三，五个生成模型中多个是闭源商业模型（Nano Banana 2、GPT Image 2），意味着这套数据引擎的复现需要付费 API，且模型迭代后行为会变，数据可复现性存疑。第四，摩尔纹去除是个相对小众的低层任务，方法论的普适价值（用生成模型为难以获取 GT 的任务造监督）其实比这个具体应用更值得关注，但论文没有往这个方向延伸讨论。 9. TRACE-Bench：把多参考生成拆成四个算子 TRACE-Bench: Decomposing and Diagnosing Multi-Reference Image Generation | 上海交通大学 | arXiv:2608.16765 关键词：多参考图像生成,评测基准,四算子分解,属性解耦绑定,上海交大 ⚠️ 前序问题：多参考图生成——给几张参考图，要求把 A 的人物、B 的服装、C 的场景组合起来——的评测基准，目前都是按预定义任务类型组织的，比如「主体组合」「风格迁移」各设一类。但多参考本质上是组合性的，任务类型的笛卡尔积会爆炸，用有限的预定义类别去覆盖必然导致三个问题：覆盖碎片化（很多组合根本没被测到）、复杂度不受控（同一类别下的样例难度可能差几倍）、诊断价值近乎为零（知道模型在「主体组合」上得 0.6，但不知道是没抓对主体、没解耦属性还是没组合好）。 本文贡献：换一个视角：不按任务分类，按能力原子分解。作者观察到各种多参考任务其实共享一组原子操作，于是形式化出四个算子——Anchor（f，锚定参考图中的某个实体）、Disentangle（g，把实体的某个属性剥离出来）、Apply（⊕，把属性施加到目标上）、Compose（C，把多个结果组合成完整场景）。任何多参考提示词都能表示为这四个算子构成的组合公式，而公式中算子槽位的数量就是它的结构复杂度——复杂度从此变成了一个可精确控制的连续量而非模糊的难易标签。基于这套形式化构建 TRACE-Bench：约 1600 个评测样例，槽位数从 1 到 8 连续覆盖，由 631 个公式模板与约 4000 张参考图生成，涵盖多种艺术风格与真实主体。公式结构直接驱动两件事：算子对齐的评测协议（对每种能力单独打分）与诊断树分析（递归定位失败发生在公式的哪一层）。 Overview of the benchmark construction pipeline. Candidate images are first collected and filtered from multiple sources, then annotated through structured tagging. The tagged pool is then balanced through source-wise sampling and augmented with synthetic data. It is subsequently used for formula-template sampling and prompt construction. 实验效果：评测 9 个领先模型后得到了整体打分完全看不见的结论：主要瓶颈在解耦（g）与属性绑定（⊕），而非场景级组合（C）——这与直觉相反，人们通常认为「把多个东西组合到一起」才是难点。即使最好的模型在属性保真度上也只有 0.74 分。实体级锚定分数随参考图实体数量增加持续下降：Nano Banana 2 与 GPT-Image 1.5 从 2 个实体时的 0.78 降到 8 个实体时的约 0.55 与 0.49，EMU 3.5 从 0.70 降到 0.36，Qwen Image Edit 2511 从 0.60 降到 0.36——所有模型无一例外，且弱模型衰减更陡。已被 ACM MM 2026 接收。 Anchor performance versus template slot count (left) and reference-image entity count (right). 批判点评：把评测从「任务分类学」重构为「能力代数」，这是这篇真正的贡献。四个算子的抽象足够简洁，又足够表达绝大多数多参考场景，而槽位数作为复杂度度量把「难度」这个模糊概念变成了可控变量——这让基准第一次能回答「模型在复杂度 N 时开始崩」这类定量问题，而不只是给一个总分。诊断树的递归失败定位设计也很自然地从公式结构里长出来，不是额外硬加的模块。「瓶颈在解耦和属性绑定而非场景组合」这个发现具有明确的研究导向价值：它告诉后续工作该往哪儿使劲，而这正是一个基准最该产出的东西。实体数从 2 涨到 8 时所有模型锚定分数单调下降的曲线也很有说服力——它揭示了一个共性缺陷而非某个模型的问题。但几点要留意。第一，1600 个样例分摊到 1-8 共八个槽位档，平均每档 200 例，再按算子类型细分后每个诊断单元的样本量会相当小，per-capability 分数的统计稳定性存疑。第二，评测靠什么打分？摘要没说评分是人工还是 VLM 自动评。如果是 VLM 评分，那么「解耦和属性绑定是瓶颈」这个结论可能部分反映的是评委 VLM 在这两项上的判别偏好，而非被测模型的真实短板——这是自动评测基准的通病，需要人工一致性验证来排除。第三，四算子分解是作者提出的一种形式化，未必唯一，其完备性（是否所有多参考任务都能被这四个算子表达）缺乏论证。第四，9 个被测模型中包含 Nano Banana 2、GPT-Image 1.5 等闭源模型，其版本会持续更新，基准结论的时效性有限。 10. HarnessEval-W：评测世界模型要给出证据链 HarnessEval-W: Agentifying the Evaluation of Visual Worlds | MirroS·清华·北大·NVIDIA·UC Berkeley·上交·南洋理工 | arXiv:2608.16859 关键词：世界模型评测,智能体化流水线,层级证据树,人类偏好对齐,NVIDIA·清华 ⚠️ 前序问题：一个基准如果只吐出一个标量分数，那么它可信与否完全取决于你信不信它——分数背后的判断依据是不透明的。这个问题在世界模型评测上格外尖锐：判断一段 rollout 好不好，需要理解物理规律有没有被违反、因果链条对不对、世界状态的演化是否自洽。人类看一眼就知道哪里不对劲，但现有基准全靠暴力计算指标，算完给个数，没有任何可供检查或核验的推理链条。于是当两个模型分数接近时，你无从判断这个接近是真实的还是指标失灵。 本文贡献：把 LLM 生态里的 harness 范式搬到世界模型评测上，做成一条智能体化的评测流水线。核心区别在于它不套用固定评分表，而是先理解每个评测案例的上下文，把评测问题分解为若干可测量的子问题，再为每个子问题派生专门的子智能体——每个子智能体带着定制的上下文与诊断工具，只负责论证自己那一小块。父智能体随后校验汇总的证据并归纳为最终判定。这个层级化流程的产物不只是一个分数，而是一棵完整的证据树，每条推理链都可回溯查验。图中示例展示了这个过程：给定「让右夹爪把托盘上方的立方体举起来」这一意图性转换案例，系统先做案例专属的技能路由（启用 Intentional Change 与 Physical Plausibility，关闭 Offscreen Evolution 与 Drift Degradation），再由子智能体分别给出带理由的评分——target specificity 1.00、final state 0.25、no extra event 0.00（因为 rollout 里凭空出现了一只人手去捡立方体），最终聚合为 0.485。 Overview of the ourmodel evaluation pipeline. Given a case with its prompt and evaluation setting, the agentic planner routes the case to applicable skills from the skill library, recording an evidence-grounded reason for every activated and skipped skill (e.g., the Offscreen Evolution Verifier is skipped because all requested actions remain visible). Each activated skill spawns sub-agents that inspect the world model rollout for specific sub-questions, such as target visibility and final state validity; here, the Intentional Change Verifier detects an unrelated human intervention picking up the cube and zeroes the no-extra-event score. The collected evidence is finally aggregated into per-dimension scores and an interpretable final score. 实验效果：在 18 个代表性世界模型、330 个评测案例上应用，判定结果与人类偏好高度对齐：技能级别上与人类 Bradley-Terry 强度的相关性达到 ρ=0.93（意图类）与 ρ=0.87（物理类），Kendall τ 分别为 0.82 与 0.74。与最接近的既有 Wbench 协议对比，在意图与事件编辑任务上准确率 0.778 对 0.602、平局率 0.111 对 0.361；在物理与因果保真任务上准确率 0.717 对 0.319、平局率 0.018 对 0.522——平局率的大幅下降尤其说明问题：旧协议在超过一半的物理类对比中给不出区分，而本方法几乎总能分出高下。全流程开源为活体基准，接受社区贡献新技能与新案例。 Human alignment of ourmodel and its comparison with WBench. (a) Model-level human alignment: each point is one of the evaluated models; we fit a linear curve for both Intentional and Physical Transition. (b) Controlled comparison with the closest WBench protocols on the same data: we report pairwise accuracy (higher is better), draw rate, and Brier score (both lower is better). 批判点评：「评测的可信度来自论证而非分数」这个立论切中了当前评测体系的软肋。当各家模型在总分上越挤越近时，一个不能解释自己为什么这么打分的基准，实际上已经失去了指导价值。把评测拆成子问题再派智能体分别论证，得到的证据树让分数变得可审计——这是从「相信基准」到「检查基准」的转变。物理类平局率从 0.522 降到 0.018 是全文最有说服力的数字：它说明旧协议在过半的物理保真对比中根本没有分辨力，而这类失效在只看准确率时是看不出来的。ρ=0.93/0.87 的人类对齐度也相当高。作者阵容横跨 MirroS、清华、北大、NVIDIA、UC Berkeley 等十余家机构，Ziwei Liu 与 Ming-Yu Liu 在列，说明这是一次有组织的社区级基建投入而非单点工作。但要审视几点。第一，评测器本身是由 LLM/VLM 智能体构成的，那么它的判断能力上限就是这些基座模型的上限——当被测世界模型的能力超过评委模型的理解能力时，这套评测会失效，而这个交叉点何时到来没有讨论。第二，智能体化评测的成本远高于计算指标：330 个案例、每个案例派生多个子智能体，单次完整评测的 token 消耗与耗时未披露，这直接决定它能否作为常规回归测试使用。第三，「与人类偏好对齐」的人类标注规模、标注者背景与一致性未在摘要中交代，而 ρ=0.93 这类数字对标注质量极度敏感。第四，技能路由决定启用哪些评测维度，路由本身出错（该查物理却没查）会导致系统性漏判，而这类错误在证据树里恰恰是看不见的——树只记录做过的检查，不记录漏掉的。第五，作为活体基准接受社区贡献，长期的版本一致性与跨时间可比性如何保证，是这类开放基准共同的治理难题。 趋势观察 扩散模型的「训练配方学」正式补齐最后一块拼图 — 语言模型有 Chinchilla，视觉生成一直没有可对照的缩放定律。今天 Luma AI 的 Abra 把 10^19 到 10^22 FLOPs 三个数量级扫了一遍，给出「每参数 200 个图像 token」这个明确数字，是 LLM 的十倍；阿里的 CapData 则从数据侧回答同一个问题——不是单纯堆量，而是按能力依赖顺序编排课程。一个说算力该怎么分，一个说数据该怎么组织，共同标志着视觉生成开始有了可预测的工程学，而不再只是炼丹。 编辑任务集体转向「别从噪声重生成」 — EditBridge 把超高分辨率编辑重新形式化为 LR→HR 的数据到数据桥接而非从噪声重生，GRNEdit 把编辑语义拆成对每个 bit 的保留还是翻转决策，两者都在做同一件事：让模型只改该改的，其余部分从源头直接继承。这与传统「条件生成」范式的区别是根本性的——前者的默认动作是保持，后者的默认动作是重画，而编辑任务真正需要的恰恰是前者。 评测正在从「打一个分」变成「定位是哪一步错了」 — TRACE-Bench 把多参考图生成拆成 Anchor/Disentangle/Apply/Compose 四个算子，用公式结构定位失败发生在哪个算子上，发现瓶颈其实在解耦与属性绑定而非场景合成；HarnessEval-W 更进一步，让子智能体各自论证再汇总，把评测变成可查验的证据树。当模型能力普遍变强、总分趋同后，可诊断性比可比较性更值钱。 人工智能炼丹君 整理 | 2026-08-20 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-08-18|港科大数字人比LTX-2快33倍还能连说一分钟Omni… 今日 AIGC 论文速览 今日共 10 篇 · 实时流式数字人与音视频联合生成 1 篇 · MLLM 与 DiT 融合的视频生成架构 1 篇 · 视频生成推理加速 3 篇 · 个性化与可控图像生成 2 篇 · 生成式渲染与视频编辑 2 篇 · 图像编辑评测基准 1 篇 重点论文标题列表 Omni-LiveAvatar（港科大 iComAI Lab·Vivix Group）：比LTX-2快33倍的分钟级流式数字人 BiVidGen（中科院·Microsoft Research·中山大学·浙大·西交·上海AI Lab）：MLLM先写视觉token再交DiT渲染 SCOPE：免训练稀疏注意力提速1.99倍 ForgeWM：世界模型压到1步还听懂键鼠 CRAFT（SIGGRAPH Asia 2026）：1万张参考图干掉200万配对数据 今日论文速览 1. Omni-LiveAvatar：比LTX-2快33倍的分钟级流式数字人 Omni-LiveAvatar: Minute-Level Real-Time Streaming Joint Audio-Video Avatar Generation | 港科大 iComAI Lab·Vivix Group | arXiv:2608.13602 前序问题：音视频联合生成模型是沉浸式数字人的底座，但现有模型几乎都依赖双向注意力加多步去噪，这两件事凑在一起决定了它只能生成很短的片段。双向注意力要求看到完整序列才能算，天生做不了流式；多步去噪又让单块延迟压不下来。于是「实时交互」和「长时长」这两个数字人最需要的属性，在当前架构下同时缺失——你要么生成几秒的高质量片段然后卡住，要么牺牲质量去换速度，而且一旦想连续说上一分钟，全局一致性（人物长相、音色、场景）就开始飘。 本文贡献：提出 Omni-LiveAvatar，第一个做到分钟级、实时、流式的音视频联合数字人生成框架，三个部件各解一个问题。一是渐进式自回归蒸馏管线，把一个大的双向音视频联合扩散模型转成少步自回归生成器，关键点是整个过程不需要额外的稳定化机制——同类工作常要靠各种辅助 trick 才能压住自回归的误差累积。二是同步的音视频长短期记忆，在有界显存预算下保住全局一致性，这是长时生成不漂的直接原因。三是分层滚动提示词规划策略，让语义可以连贯演进、提示词之间平滑切换，而不是每换一句话画面就跳一下。 Overview of Omni-LiveAvatar. The proposed progressive autoregressive distillation pipeline converts a large bidirectional audio-video diffusion model into a few-step causal generator without any auxiliary stabilization mechanism (top). At inference, the synchronized audio-video long-short-term memory preserves global consistency while retaining recent context within a bounded memory budget for minute-level streaming inference (middle), and the hierarchical rolling prompt planning organizes global and local prompts for smooth long-form semantic evolution (bottom). 实验效果：单张 NVIDIA H200 上，相对其教师模型 LTX-2 拿到 33 倍生成加速，且能实时产出分钟级、音视频同步的高质量数字人。质量维度上全面超过同期的加速类基线，具体覆盖视觉质量、音频质量、跨模态同步性和人物保真度四个方面。代码已开源。 Qualitative comparison of 5-second avatar generation. Omni-LiveAvatar generates realistic and temporally consistent avatars with visual quality comparable to Ovi and LTX-2, whereas OmniForcing exhibits noticeable realism degradation and Hallo-Live suffers from facial and hand artifacts as well as color drift. 批判点评：这篇的工程完成度是今天这批里最高的，33 倍加速加分钟级流式，两个指标同时拿下不容易，而且「不需要额外稳定化机制」这句如果站得住，实际价值比加速倍率本身更大——自回归视频生成的误差累积一直是靠各种补丁压住的，能去掉补丁说明蒸馏管线的设计确实抓住了主要矛盾。教师选 LTX-2 也是个务实选择，那是当前公开可用的强音视频联合模型之一。不过 33 倍这个数字要放在正确的语境里读：它是相对教师的加速比，而教师本身是多步双向模型，基数很慢，所以这个倍率更多说明「双向多步这条路在实时场景下浪费有多大」，而不等于绝对性能领先。真正该问的是绝对延迟——摘要只说「实时」，没给单块生成耗时和端到端首帧延迟，而数字人交互对这两个数字极其敏感，300 毫秒和 800 毫秒是完全不同的产品体验。分辨率和帧率也没披露，H200 是顶配卡，换到消费级或推理卡上还剩多少余量不清楚。另外「分钟级」和真正的开放式交互仍有距离：长短期记忆是有界预算，那就必然有遗忘边界，跑到第五分钟、第十分钟时人物一致性掉多少，论文只展示了分钟级。最后，音视频联合生成最难的其实是音画同步在长序列上的累积误差，摘要报了同步性优于基线，但没说这个优势是否随时长衰减。 2. BiVidGen：MLLM先写视觉token再交DiT渲染 Beyond Text Conditioning: A Systematic Study of MLLM-DiT Fusion for Video Generation | 中科院·Microsoft Research·中山大学·浙大·西交·上海AI Lab | arXiv:2608.14043 前序问题：DiT 已经是高保真视频生成的主流范式，但它做高层语义规划的能力一直很弱——给一句复杂提示词，它能画得很好看，却常常没把因果关系、动作顺序、多物体交互理清楚。图像生成那边已经证明把 MLLM 和扩散骨干混起来有明显优势，可这套思路在视频上基本没被认真研究过。更关键的是，现有少数尝试几乎都把 MLLM 当成一个冻结的特征编码器用，取它的隐层表示喂给 DiT，而 MLLM 最核心的能力——自回归地「生成」内容——完全没被调用。这就等于请了个会规划的大脑，却只让它当传感器。 本文贡献：系统性地拆解「MLLM 该怎么和 DiT 融合做视频生成」这个问题，明确拆成三问：什么样的中间表示适合做 MLLM 与 DiT 之间的桥梁、MLLM 该如何产出这个表示、DiT 在扩散渲染时该如何吸收它。三个发现：其一，由 EMA-based tokenizer 产出的离散语义视觉 token 提供了既稳定又有表达力的接口；其二，自回归因果建模适合生成这些 token；其三，显式的视觉 token 条件化比改写提示词（prompt refinement）或隐空间桥接（latent bridging）都更有效。基于这三点提出 BiVidGen 这一混合架构，让 MLLM 真正承担语义规划、DiT 负责扩散渲染。 Overview. BiVidGen consists of three main components. First, an EMA-based vision tokenizer provides discrete visual representations. Then, an MLLM predicts semantic visual tokens. Finally, the DiT renders high-fidelity videos conditioned on these planned tokens. 实验效果：论文以系统性对照实验为主体，逐一验证三个设计维度上的选择，最终 BiVidGen 在语义规划相关的生成任务上优于把 MLLM 当冻结编码器的既有做法。三条发现分别对应中间表示形式、生成方式、条件注入方式的消融结论。 Qualitative Comparisons. MLLM+DiT yields better causal transitions, temporal consistency, and semantic alignment than the DiT-only baseline in these examples. 批判点评：这篇的价值主要在「把问题问清楚」而不是「刷了个 SOTA」。它把 MLLM-DiT 融合这个此前靠直觉拼装的设计空间，拆成三个正交维度逐一做对照，最后给出的三条结论——离散语义 token 做接口、自回归生成、显式 token 条件化——对后续做这个方向的人是实打实的省时间，尤其「显式 token 条件化优于 prompt refinement 和 latent bridging」这条，直接排除了两条看起来很自然但实际次优的路径。EMA tokenizer 提供稳定接口这个发现也有说服力，离散化在生成任务里通常被担心信息损失，这里反而因为稳定性赢了。但摘要在最关键的地方留了空白：没有任何具体数字，没说在哪些 benchmark 上、相对哪些基线提升多少，也没交代 MLLM 和 DiT 各自的规模、训练数据量和总训练成本。对一篇以「系统性研究」自我定位的工作，这些恰恰是判断结论泛化性的关键——三条结论是在某个特定尺寸组合下成立，还是随规模稳定？其次，引入自回归 MLLM 生成视觉 token 必然带来额外推理延迟，视频生成本来就慢，这个代价有多大、值不值得，论文没有权衡分析。最后一个更根本的隐忧：既然 MLLM 现在承担了语义规划，那它规划错的时候会怎样？DiT 是有能力纠正一个错误的视觉 token 序列，还是会忠实地把错误渲染出来？这个失败模式没有讨论，而它直接决定了这套架构在实际产品中的鲁棒性。 3. SCOPE：免训练稀疏注意力提速1.99倍 SCOPE: Subspace Clustering with Online Per-Head Top-K Estimation for Sparse Video Attention | arXiv:2608.12780 前序问题：DiT 在时空 token 上的自注意力是二次复杂度，视频一长、分辨率一高就成为主要瓶颈。现有免训练稀疏注意力方法普遍用块级或簇级的代理分数来构造稀疏掩码，问题是这种粗粒度代理会把 key 之间的细微差异抹平，在激进稀疏率下高贡献的 key 就被漏掉了。还有一个更隐蔽的失败模式：代理分数容易产生过度集中的 softmax 分布，导致 Top-p 策略对某些 query 簇只保留极少的 key。用一个固定的 Top-k 下限可以缓解，但不同注意力头、不同输入的稀疏容忍度本来就不一样，共享一个固定值必然有头被切得太狠。 本文贡献：提出 SCOPE，免训练稀疏注意力框架，把 3D-RoPE 对齐的 key 子空间聚类和在线逐头 Top-k 估计结合起来。具体做法是把过了 RoPE 的 key 按时间、高、宽三个子空间分别独立聚类，再通过查找表聚合对应的质心分数，为每个 query 簇得到逐 key 的代理分数——粒度从块/簇细化到单个 key。在既有的 Top-p 与固定 Top-k 混合选择策略之上，SCOPE 在线推导每个头专属的 Top-k 值：对每个头，按 query 簇大小加权平均其初始保留 key 数，只对那些初始保留数低于该均值的 query 簇补充选取额外 key。最终稀疏注意力在选中的原始 key/value 上计算。 Overview of SCOPE. Queries are clustered in the full feature space, while each post-RoPE key is represented by temporal, height and width subspace assignments. Query-centroid slices score the corresponding subspace centroids to form lookup tables, and indexed summation reconstructs a proxy logit for every key. Hybrid Top-$p$/fixed-Top-$k$ selection produces the initial key counts, from which SCOPE estimates an online per-head Top-$k$ value. Sparse attention is computed using the selected original $K$ and $V$. 实验效果：在六种模型-任务配置上，SCOPE 在保真度和延迟两个维度上都稳定优于现有免训练基线。720p HunyuanVideo 上端到端加速最高 1.99 倍，同时相对稠密注意力保持 28.46 dB PSNR。 Attention recall and PSNR under matched attention density. SCOPE consistently achieves higher attention recall and PSNR than competing sparse attention methods at the same retained density. 批判点评：这篇的两个改动都很对症。按 RoPE 的三个物理维度分别聚类，比在混合后的高维空间里做一次聚类更合理——时间、高、宽三个方向的相似性结构本来就不同，混在一起聚必然互相干扰，这个设计有明确的几何动机而不是调参调出来的。逐头在线估计 Top-k 也踩在了痛点上：稀疏注意力的工程实践里，「哪个头能切多狠」向来是最难统一的，用全局固定值本质上是在拿最脆弱的那个头的容忍度当上限，牺牲了其余头的加速空间。1.99 倍加速配 28.46 dB PSNR 是个体面的组合，六种配置的覆盖也说明不是单点调优。但要注意几个尺度问题。28.46 dB 是相对稠密注意力的重建保真度，这个量级在图像上属于「肉眼可辨差异」的边缘，视频上更麻烦的是误差会沿时间累积——单帧 PSNR 达标不代表时序闪烁可接受，而摘要没给任何时序一致性指标。1.99 倍是「最高」值且只在 720p HunyuanVideo 上，其余五个配置的加速比没披露，实际期望值应该往下调。更根本的是，SCOPE 自己引入了聚类和查找表两层额外开销，这部分成本随 token 数如何增长、在什么序列长度以下会反而变慢，论文没给出盈亏平衡点，而这直接决定它能否用在短视频或低分辨率场景。最后，逐头 Top-k 用「簇大小加权均值」作为阈值是个启发式，为什么均值是对的、换成分位数会怎样，缺少分析。 4. ForgeWM：世界模型压到1步还听懂键鼠 ForgeWM: Progressive Causal Training for Few-Step Action-Conditioned Video World Models | arXiv:2608.14022 前序问题：动作条件视频世界模型要同时满足低延迟因果生成和对游戏原生控制信号的可靠响应。因果蒸馏已经能做到一步或少步视频合成，但把它扩展到交互式世界模型很难，症结在于离散的键盘状态和连续的鼠标运动必须在因果训练和自回归 rollout 的全过程中，始终与被时间压缩过的隐空间 chunk 保持对齐。视频 VAE 在时间维做了压缩，一个隐 chunk 对应多帧，而用户的按键是逐帧发生的——这个错位在多步生成里还能靠冗余步数糊过去，压到一两步就直接暴露成「动作响应不准」。 本文贡献：提出 ForgeWM，一个渐进式框架，通过四个阶段把双向的动作条件视频生成器转成高效的少步世界模型：域适应、teacher-forced 因果训练、因果一致性蒸馏、以及与双向教师做 on-policy 分布匹配。产出的是「按预算特化」的学生模型，分别在 1、2、4 步的稳态去噪预算下工作。ForgeWM 还支持一种双路径部署协议，把延迟敏感的交互与可选的回放期精修结合起来——一步学生先出草稿保存，之后再重新加噪并精修这份草稿，等于把「交互时要快」和「回放时要好」两个矛盾需求拆到了不同时间点。 Overview of ForgeWM. (A) Frame-aligned keyboard and mouse controls condition latent chunks. (B) A shared base yields a bidirectional teacher and budget-specialized causal students through four-stage training. (C) Deployment separates low-latency interaction from optional Replay-Time Refinement (Figure~fig:replay-refinement). 实验效果：在配对的 Minecraft 轨迹上，ForgeWM 在成像质量、参考对齐的运动指标上领先所评估的各系统，学生模型可在 1、2、4 步预算下运行。 Qualitative comparison. Rollouts at frames 0, 25, 51, and 76. Rows show the reference and three models. Controls are annotated once on the reference: each overlay shows dominant WASD and accumulated mouse-look to the next frame; the final frame has no outgoing control overlay. Left/right: daytime forest stream/rainy riverbank at night. 批判点评：把「动作对齐」识别为少步世界模型的核心障碍，这个判断是准的，而且它指出的错位很具体——时间压缩的隐 chunk 与逐帧动作信号之间的粒度不匹配，这不是靠加数据能解决的结构问题。四阶段渐进管线（域适应→teacher-forced→一致性蒸馏→on-policy 分布匹配）的顺序也有内在逻辑：先让模型适应域，再在有监督信号下学因果，最后用 on-policy 修正暴露出的分布偏移。双路径部署是全篇最有产品意识的设计——交互时用一步出草稿保延迟，回放时再加噪精修提质量，直接承认了「同一个模型不必在所有时刻都做同样的权衡」，这个思路可以迁移到很多实时生成场景。但实验范围是明显的短板：只在 Minecraft 上验证。Minecraft 的视觉复杂度低、纹理规整、物理规则简单且完全确定，是世界模型最友好的测试场，在这里报 SOTA 与在真实感游戏或真实视频上的可用性之间有很大鸿沟。「领先所评估的各系统」这个表述也偏保守，说明对比范围可能有限，具体的 FID/FVD 数值和延迟数字摘要都没给。一步学生的绝对质量损失多少同样没交代——1、2、4 步三档特化模型之间的质量-延迟曲线是这篇最该给的图，缺了它就无法判断「压到一步」是真可用还是仅仅可跑。另外双路径协议要为每次交互保存草稿，显存和存储开销在长会话下如何增长，也没有讨论。 5. CRAFT：1万张参考图干掉200万配对数据 CRAFT: Constrained Reward via Attention Fine-Tuning for Subject Personalization without Composed Targets | SIGGRAPH Asia 2026 | arXiv:2608.14403 前序问题：主体驱动的图像个性化——生成新图像同时保持一个或多个参考主体的身份——是视觉内容创作的基础能力。当前主流做法是在几十万到几百万组「参考图-合成目标」配对样本上微调预训练的 MMDiT，而每组合成目标都是主体出现在新场景中的一张合成图。造这些目标需要一条昂贵的多阶段流水线：LLM 生成提示词、T2I 合成目标图、参考主体抠取、VLM 质量过滤、对应关系标注。除了贵，这条路还有个隐性代价——方法被紧紧绑在某个特定的目标合成器和某一套数据清洗策略上，换个合成器结论就不一定成立。 本文贡献：提出 CRAFT，一个单步 ReFL 框架，用 LoRA 适配器微调预训练的「参考感知」MMDiT，训练数据只需 1 万张参考图加主体 mask，完全不需要合成目标监督。核心是「看哪里」原则：注意力级奖励把噪声 token 与短语 token 的注意力对齐到正确的参考主体上，由此得到的逐主体注意力 mask 再去门控一个像素级身份奖励，从而让图像空间的监督与学到的注意力路由保持一致。这等于把监督信号从「像素该长什么样」换成了「注意力该看哪个主体」，后者可以从参考图本身直接构造。 Overall pipeline of CRAFT. The denoising prefix is rolled out without gradients up to the reward step $t^\ast$, where two forward passes are performed: the frozen backbone $f_\text{base}$ produces $\mathbf{v}_\text{base}$, while the LoRA-adapted model $f_\text{LoRA}$ produces $\mathbf{v}_\text{LoRA}$ together with the cross-modal attention sub-blocks $\mathbf{A}_{N2R_k}$, $\mathbf{A}_{N2P_k}$, and $\mathbf{A}_{P_k 2 R_k}$. Following the Where to look principle, $\mathcal{R}_\text{ref}$ and $\mathcal{R}_\text{cons}$ shape noise- and phrase-token attention toward each reference subject (sec:method:attn_rewards); the resulting per-subject mask $\mathbf{m}^\text{noise}_k$ then gates the pixel-level identity reward $\mathcal{R}_\text{id}$ on the VAE-decoded pre-image $\hat{\mathbf{I}}$ (sec:method:pixel). Auxiliary terms $\mathcal{R}_\text{CLIP-T}$, $\mathcal{R}_\text{AES}$, and a velocity-space regularizer $\mathcal{L}_\text{anchor}$ are added for prompt fidelity, aesthetics, and stability (sec:method:loss). A single backward pass updates only the LoRA parameters. 实验效果：应用在 FLUX.2-klein-9B 上，CRAFT 在 XVerseBench 上达到 SOTA，且只用 1 万条纯参考数据，而此前的通用方法需要 15 万到超过 200 万组合成目标配对。同一套配方迁移到其他参考感知骨干上也能稳定提升性能。已被 ACM SIGGRAPH Asia 2026 接收。 Qualitative comparison with state-of-the-art subject-driven personalization models. 批判点评：1 万对 200 万，两个数量级的数据量差距还能拿 SOTA，这是今天最有冲击力的数字，而且它的说服力不在倍数本身，而在于它质疑的东西：如果两百万组精心合成的配对数据能被一万张参考图替代，那说明此前的数据流水线在很大程度上是在用外部监督重新教模型一些它内部已经编码好的东西。把监督从像素空间挪到注意力空间是关键一步——「主体身份」这个概念在 MMDiT 里本来就是通过注意力路由实现的，直接在这一层加约束比绕一圈从像素反推更直接。用注意力 mask 去门控像素奖励也很巧，避免了两种监督各说各话。迁移到其他参考感知骨干仍有效，说明不是单一模型上的过拟合。SIGGRAPH Asia 的接收也是一层背书。不过前提条件要看清楚：它要求骨干必须是「参考感知」的 MMDiT，也就是说模型本身已经具备处理参考图的结构，CRAFT 是在这个基础上做对齐微调，而不是从零赋予个性化能力——所以严格说它省掉的是「对齐阶段」的数据，而非全部。评测只报了 XVerseBench 一个基准，主体个性化的评测口径分歧很大，单一 benchmark 上的 SOTA 需要更多交叉验证，尤其是多主体组合、罕见物体这些困难设定。注意力级奖励依赖短语 token 与主体的正确对应，当提示词里出现代词、隐含指代或多个同类物体时这个对应如何建立，摘要没说。最后 1 万张参考图仍需主体 mask 标注，这部分成本虽远低于合成目标流水线，但并非零。 6. XYZFlow：不靠蒸馏拿到7.2倍教师加速 XYZFlow: Scaling Multi-dimensional Shortcut Flows for Efficient Generative Modeling | ICML 2026 | arXiv:2608.12276 前序问题：高保真图像生成始终卡在速度与质量的取舍上。扩散模型视觉效果强，代价是昂贵的迭代采样。现有的高效方法主流是把预训练模型蒸馏成少步采样器，但蒸馏本身是个难做的过程，而且质量上限严重依赖教师模型——教师有的毛病学生躲不开，教师没有的能力学生也长不出来。这意味着加速路线被绑死在「先有一个好教师」这个前提上，而且每换一个基础模型就要重跑一遍蒸馏。 本文贡献：提出 XYZFlow，从流匹配的多维度缩放这个角度重新思考高效生成，而不是走蒸馏路线。核心主张是：相比单步映射，通过结构化的多维条件化可以让概率路径更可辨识、更易学习，从而提升表达力。论文把自回归建模看作一种隐式的流直化——上下文越丰富，轨迹的歧义就越小。XYZFlow 用两个正交维度实现这个想法：时间维缩放，即在完整去噪历史上做非马尔可夫条件化；空间维缩放，通过「下一捷径预测」（Next Shortcut Prediction）顺序生成图像块，把已生成块的去噪轨迹当作后续块的先验。 Next Shortcut Prediction in XYZFlow. (Top-Left) Flow diagram showing the generation sequence, where a blue curve represents progressively strengthening constraints. (Top-Right) Visualization of a non-uniform patch-based denoising process: the first image patch undergoes the most denoising steps, while subsequent patches are generated with fewer steps (“shortcuts”). This forms a long autoregressive sequence where the denoising flow from prior patches (green and blue arrows) guides the denoising of subsequent ones. 实验效果：达到 SOTA 性能，相对教师模型实现 7.2 至 8.5 倍加速，同时 FID 保持竞争力。其中 Next Shortcut Prediction 在质量-延迟权衡上优于单纯的模型放大或步数削减两种做法。已被 ICML 2026 接收（16 页 5 图）。 Randomly selected examples of generated images from XYZFlow. XYZFlow shows high-quality generative modeling abilities. 批判点评：「自回归建模是隐式的流直化」这个视角是这篇最有价值的部分。流匹配领域一直在琢磨怎么把概率路径拉直，主流手段是改路径设计或加正则；这篇指出提供更丰富的条件上下文本身就在减少轨迹歧义，等于把自回归和流直化两条此前平行的技术线接上了，这个洞察比 7.2 倍这个数字更耐读。时间和空间两个正交维度的划分也干净——非马尔可夫地用完整去噪历史，加上按块顺序生成用已完成块当先验，两者确实互不重叠，可以独立叠加。绕开蒸馏这一点尤其实在，摆脱了对教师质量的依赖，ICML 2026 的接收说明理论部分经过了同行检验。但代价需要说清楚：空间维的 Next Shortcut Prediction 是顺序生成图像块，这天然引入了块间的串行依赖，跟扩散模型全图并行去噪的优势正好相反。摘要报的 7.2-8.5 倍加速想必已经包含这部分开销，但在什么分辨率下测的、块数增加时加速比如何衰减，是判断可扩展性的关键，而这些没披露。「FID 保持竞争力」这个措辞比「达到 SOTA」弱，暗示纯质量指标上可能有小幅让步，具体差多少应该给出。时间维的非马尔可夫条件化要保存完整去噪历史，显存开销随步数线性增长，与少步生成的初衷存在张力。另外全文以图像生成为主，视频这种时空 token 量级大得多的场景下，块间串行的代价会被放大多少，是个开放问题。 7. RGBX-Next：把DiT改造成可控生成式渲染器 RGBX-Next: Towards Realistic Generative Rendering from G-Buffers | NVIDIA·UCSB·UCSD·MBZUAI | arXiv:2608.13929 前序问题：扩散模型在图像、视频和流式生成上效果已经很好，但和传统 3D 渲染相比，它对生成结果缺乏精确控制。传统渲染管线里你能精确指定几何、材质、光照，改一个参数就得到可预期的变化；扩散模型给的是「大致符合描述」，无法承担需要确定性控制的生产任务。反过来传统渲染又缺少生成模型的真实感先验，物理正确不等于看起来像照片。这两条路各有各的强项，一直没能真正打通。 本文贡献：主张一条可行路径是把生成模型当作以传统渲染的 G-buffer 为条件的「学习型渲染器」。提出 RGBX-Next，一个统一的前向与逆向渲染生成框架：既能从图像、视频、流中估计 G-buffer（逆向），也能从 G-buffer 渲染出真实的图像、视频、流（前向）。核心贡献是给出了一套把扩散 Transformer（DiT）模型微调成生成式前向渲染器与逆向渲染器的通用配方。作者承诺公开全部模型。 High-level overview of our paper. We first describe a simple version of image and video models in sec:initial-rgbx, followed by an improved version using our QK type embedding and clean input tokens techniques in sec:improved-rgbx. We estimate G-buffers from real video data with our model in sec:dataset, and train models with X-patchify in sec:xpatchify. We discuss conditioning dropout and lighting control in sec:dropout-blurring,sec:lighting. We introduce streaming extensions of our models in sec:streaming. 实验效果：所得模型在真实感生成式渲染与内在分解（intrinsic decomposition）两个方向上都达到高质量。论文强调其提出的设计原则将有利于后续可控生成式前向与逆向渲染的研究。团队来自 NVIDIA 与 UCSB 等，作者包含多位实时渲染与逆向渲染方向的资深研究者。 The overall design of our $1/N$ streaming models. For each chunk, the model receives $N$ current input frames and one stitching frame from the previous chunk, whose input and output are already known, then produces the $N$ new output frames through a diffusion process. Optional long-context tokens provide a clean reference frame for long-term memory. For simplicity, the figure illustrates the rgbtox case with albedo as xx. 批判点评：把 G-buffer 当作生成模型的条件接口，这个设计的聪明之处在于它直接复用了图形学几十年积累下来的中间表示。G-buffer（法线、深度、albedo、粗糙度这些）本来就是渲染管线里为了解耦几何与着色而设计的，它天然是结构化、可编辑、语义明确的——比文本提示词或隐向量都更适合做精确控制的入口。前向和逆向统一在一个框架里也很自然，两者本质是同一映射的两个方向，共享表示能互相提供约束。作者阵容是这篇的隐性背书：Marco Salvi、Jan Novák、Ravi Ramamoorthi、Ling-Qi Yan、Miloš Hašan 都是渲染和逆向渲染方向的资深研究者，NVIDIA 主导加上承诺开源模型，落地可能性比多数学术工作高。但摘要的表述相当克制，也确实缺东西：全篇没有一个量化指标，「高质量」「有利于后续研究」这类措辞在一篇声称做 SOTA 级渲染的工作里偏软，无法与 RGB↔X 等前作直接比较。「通用配方」的具体内容摘要没展开——微调哪些层、G-buffer 如何编码注入、训练数据从何而来（合成渲染数据的域间隙如何处理），这些恰恰是能否复现的关键。前向渲染方向还有个绕不开的问题：生成模型对 G-buffer 的响应是否单调可预期？如果微调 albedo 一个通道会引起画面其他部分的连带变化，那「精确控制」这个卖点就打折了，而摘要没有这类可控性验证。流式（streams）支持被反复提及但没有延迟数字，实时渲染场景下这是硬门槛。 8. InstructVVT：视频试衣扔掉mask和pose先验 InstructVVT: Instruction-Driven Video Virtual Try-On without Auxiliary Spatial Priors | 南京大学·中国移动九天 | arXiv:2608.14070 前序问题：视频虚拟试衣是个约束极强的编辑任务：既要精确替换目标人物的衣服，又要严格保住原视频的空间结构和时序动态。现有方法严重依赖手工的辅助空间先验（mask、pose 等）来实现编辑控制，可这些先验在无约束的真实视频里很容易失效——遮挡、快速运动、罕见姿态都会让 pose 估计或分割崩掉。更本质的问题是，这类先验把丰富的视觉上下文压缩成了不完整的结构信号，信息通道太窄。此外标准的重建目标也无法充分刻画试衣任务特有的人类偏好（衣服贴合是否自然、褶皱是否合理）。 本文贡献：提出 InstructVVT，基于 DiT 的指令驱动、参考引导的视频试衣框架，推理时完全不需要空间先验。核心是双层参考条件化：一方面由 MLLM（挂可训练 LoRA）经 Connector 推断语义编辑 token，用于目标消歧与结构保持——也就是搞清楚「要换谁的哪件衣服、哪些部分不能动」；另一方面用一条轻量条件化通路把参考服装的细粒度外观显式注入，与源视频 latent 一起拼成多模态 DiT 输入。训练分两阶段：Stage 1 监督微调，Stage 2 用 DiffusionNFT 做强化学习——策略 DiT 采样 K 个候选视频，由冻结的 MLLM 奖励模型打分，经 NFT 损失更新策略并以 EMA 回写，以此对齐标准重建目标无法刻画的试衣偏好（贴合是否自然、褶皱是否合理）。 Overview of our InstructVVT framework. In the supervised training, the source video, reference garment, and instruction are encoded by a frozen MLLM with trainable query tokens $Q_e$, LoRA adapters~lora, and an MLP connector to produce MLLM edit tokens $C_e$. We adopt two embedding layers with identical architecture but independent parameters to encode video cue tokens $X_t$ and reference garment tokens $C_g$, respectively. The MLLM edit tokens $C_e$, video cue tokens $X_t$ and reference garment tokens $C_g$ are injected into each DiT block through cross-attention. The post-training stage applies DiffusionNFT~diffusionnft: a frozen EMA policy samples $K$ videos, a tailored reward model based on MLLM assigns score-token rewards, and the NFT loss updates the trainable DiT. 实验效果：在无约束真实视频上不依赖推理期空间先验即可完成试衣编辑，同时保持源视频的空间结构与时序动态。定性对比覆盖 ViViD、CatV2TON、MagicTryOn、TripVVT、UniVideo 五个基线，在领口结构、腰带细节与裙摆轮廓的保真度上更接近目标服装。论文 23 页 10 图，Dingbao Shao 与 Song Wu 为共同一作，Zili Yi 为通讯作者。 Qualitative comparisons on ViViD-S. The examples show that InstructVVT transfers the reference garment while preserving the source video appearance and temporal structure, complementing the quantitative ViViD-S results in Table~tab:vivid_s. 批判点评：去掉推理期空间先验这个方向是对的，理由比「少一步预处理」更深：mask 和 pose 本质是把高维视觉信息压成低维结构信号的有损投影，在真实视频里既容易估错，又丢掉了大量对编辑有用的上下文。用 MLLM 推断语义编辑 token 做目标消歧，思路上与今天 BiVidGen 那篇同源——都是让 MLLM 承担「理解要改什么」的规划角色，而非只做特征编码器。第二阶段引入 DiffusionNFT 强化学习也踩在了实处：试衣好不好看是典型的「重建损失说不清、人一眼能判断」的任务，用 MLLM 当奖励模型去对齐这类偏好，比继续堆重建监督更对症，而且 NFT 这条路线比 DPO 类方法更适合扩散模型的训练形态。不过摘要通篇没有任何量化结果，没有 benchmark 名称、没有与 ViViD/TripVVT 等的对比数字，也没说清基座 DiT 是哪个、训练数据规模多大——对一篇 23 页的工作，摘要层面的信息密度偏低。「不需要推理期空间先验」这个措辞要留意「推理期」三个字：训练阶段是否仍用 mask/pose 做监督没有交代，若训练仍需要，省下的是部署成本而非数据成本。服装细节保真是视频试衣最难的部分，logo、纹理、褶皱在人物运动中的一致性只笼统说保持时序动态，缺少针对细粒度纹理漂移的量化证据。MLLM 既参与推理条件生成、又在训练时充当奖励模型，两处都是重计算，逐块处理长视频时开销会被放大，但没有效率数字。RL 阶段还有个隐忧：MLLM 奖励模型自身的偏好偏差会被策略学去，而摘要没有讨论奖励过优化（reward hacking）的防护。 9. Concept Guidance：跳过特定层就能连续调美感 Concept Guidance: Precise, Training-Free Latent Control for Text-to-Image Generation | GCPR 2026 Oral·慕尼黑大学 CompVis | arXiv:2608.14172 前序问题：文生图扩散模型有两个严重限制实用性的短板。一是标准模型缺少内在机制来做连续的、概念特定的引导——比如想精确控制「这张图有多好看」，你没有一个可以平滑调节的旋钮，只能改提示词然后重新抽卡。二是在需要高局部连贯性的任务上不可靠，典型就是生成文字和人手，这两样几乎是扩散模型的经典失败案例。现有的可控生成方案大多要额外训练、外部模型或梯度回传，成本高且不通用。 本文贡献：引入「概念级互信息」（concept-wise mutual information）这一新概念，并发现不同层之间存在很大的、依赖于概念的差异——这说明特定结构的生成是局部化在网络的不同部分的。基于这个洞察提出 Concept Guidance（CoG）：先量化每一层对特定概念的影响，然后用「跳过概念相关层后生成的预测」的加权组合来引导去噪。整套方法开箱即用，不需要额外训练、外部模型、梯度或提示词工程。 Concept Guidance precisely approximates the target direction by combining per-layer skip predictions using concept-relevant layers ($\alpha,\beta,\gamma$). It computes individual skip-layer noise predictions ($\epsilon_{[\theta\setminus \alpha]}, \epsilon_{[\theta\setminus \beta]}, \epsilon_{[\theta\setminus \gamma]}$) and extrapolates over them to precisely estimate the target direction. 实验效果：在多种目标和主流模型上都取得性能提升，覆盖 PixArt-alpha、SD3、SD3.5 与 FLUX.1-dev。代码已开源。被 GCPR 2026 接收为 Oral 报告，论文 28 页含补充材料。 Uncurated Comparison of Classifier-Free Guidance (CFG) ho2022classifier_free_guidance, Naive Skip-Guidance as found in Stable Diffusion 3 huggingfaceSD3, Spatio-Temporal Skip Guidance hyung2025spatiotemporal and Concept Guidance for Aesthetics (FLUX.1-dev). 批判点评：「概念的生成是按层局部化的」这个发现本身就有独立价值，它给扩散模型的可解释性提供了一个可操作的抓手：不是笼统地说某些层管结构、某些层管风格，而是用概念级互信息把「哪一层对哪个概念负责」量化出来。基于此的 CoG 走了一条很轻的路——通过跳过概念相关层来构造对比预测，再加权组合去引导，完全不需要训练、外部模型或梯度，这在实践中意味着可以直接挂到任何现成模型上。在 PixArt-alpha、SD3、SD3.5、FLUX.1-dev 四个架构上都有效，说明层级概念局部化不是某个模型的偶然特性，这个跨架构验证做得比较扎实，Ommer 组（Stable Diffusion 原作团队）在这个方向的判断力也值得信任，GCPR Oral 加开源代码进一步加分。但方法本身的边界需要看清。「跳过层」是个粗粒度干预，一层往往同时参与多个概念的生成，跳过它拿到的对比信号必然混入了对其他概念的扰动——摘要提到美感和局部连贯性（文字、手）两类目标，但没说多个概念同时引导时会不会互相冲突，而实际使用中「既要好看又要手正确」才是常态。「性能提升」缺少具体数字和评测口径，美感这类主观目标尤其需要说明是用自动指标（如 aesthetic predictor）还是人工评测，两者结论经常不一致，而且用某个 aesthetic 模型打分再优化它容易陷入自我强化。跳过层还意味着每步要多跑若干次前向来构造对比预测，推理成本的增加倍数摘要没给，这对本来就慢的扩散采样是实际负担。每个概念都需要先做一轮层影响量化，这个前置校准的成本和是否需要按模型重做，也没交代。 10. CPI-Bench：首个纳入多图编辑的评测基准 CPI-Bench: A Comprehensive, Practical and Intelligent Benchmark for Real-World Image Editing | arXiv:2608.14546 前序问题：图像编辑模型进展飞快、应用铺得越来越广，把这些能力直接部署到真实场景的需求越来越急。但现有基准仍局限在简单的单图任务上，覆盖维度有限，而且区分不开不同模型的性能差异——大家分数都挤在一起，看不出谁真的更强。结果就是它们无法可靠评估模型在复杂多图编辑、高要求推理指令、以及实际部署设定下的表现，而这三项恰恰是真实业务里最常遇到的。 本文贡献：提出 CPI-Bench，面向真实世界图像编辑的综合、实用、智能基准，由三个核心子集构成。CPI-General-Bench 全面覆盖多样的编辑任务，并首次把多图编辑评估纳入进来；CPI-Practical-Bench 聚焦高频真实用户应用场景；CPI-Intelligent-Bench 专门评估高要求的推理型编辑能力。三个子集分别对应「覆盖广度」「实用贴近度」「推理深度」三个此前被忽略的维度。 The overview of CPI-Bench. CPI-Bench decomposed into three distinct dimensions: CPI-General-Bench for comprehensive editing performance, CPI-Practical-Bench for real-world deployment efficacy, and CPI-Intelligent-Bench for reasoning-based editing tasks. 实验效果：论文给出主流图像编辑模型在该基准上的评测结果，13 页基准报告。最有说服力的是与 Arena 人类偏好排名的一致性对比：CPI-Bench 的 Spearman 相关系数达 0.994、平均绝对误差 0.12，而 GEdit-Bench 仅 0.548（MAE 1.50）、ImgEdit-Bench 0.814（MAE 0.88）、REDEdit-Bench 0.976（MAE 0.25）。评测覆盖 GPT-Image-2、Seedream5 Pro、Nano Banana Pro、Qwen-Image 2.0 Pro、Seedream4.5、Qwen-Image-Edit-2511、FLUX.2-klein-9B/4B 等主流模型。 Left: Model ranking trends across benchmarks compared against the Arena Image Edit Leaderboard~lmarena2024leaderboard. CPI-Bench we proposed demonstrates the closest alignment with Arena. Right: Spearman correlation coefficients and Mean Absolute Error (MAE) with Arena rank. CPI-Bench outperforms other benchmarks, achieving the highest correlation and the lowest error margin. 批判点评：把多图编辑正式纳入基准是这篇最实在的贡献。真实用户的编辑需求里，「把这张图的人放到那张图的场景里」「参照这张图的风格改那张」这类跨图操作占比很高，而现有基准几乎全是单图进单图出，评测口径和真实用法之间存在结构性错位。三子集的切分逻辑也清楚——覆盖广度、实用场景、推理深度，分别对应三种不同的失败模式。更关键的是它给出了一个可验证的自证方式：用与 Arena 人类偏好排名的 Spearman 相关性来衡量基准自身的有效性。0.994 对 GEdit-Bench 的 0.548，这个差距说明现有部分基准的排序与人类判断几乎脱节，而「基准该不该被信任」本来就该用这种方式检验，这个方法论比基准本身更值得借鉴。不过要注意几个问题。与 Arena 对齐这件事是双刃剑——相关性做到 0.994 意味着它高度拟合了当前 Arena 的偏好分布，但 Arena 本身有其偏差（用户构成、提问分布、审美倾向），过度对齐等于把这些偏差一并继承，而且一个与现有人类榜单几乎重合的基准，额外信息量到底有多少是可以追问的。评测模型只有 8 个且集中在头部闭源与 FLUX 系列，样本量偏小时 Spearman 系数本身就不稳定，换一批模型是否还有 0.99 需要验证。评测指标的具体实现（用 VLM 打分还是人工标注、多图编辑正确性如何自动判定）摘要没交代，而这决定了基准能否被独立复现；13 页篇幅对一个三子集基准来说偏紧，样本规模、任务分布、标注一致性检验都未见披露。「Intelligent」子集尤其需要说明「高要求推理」的操作化定义，否则容易变成难题集合而非能力维度。机构信息缺失也值得留意，基准类工作的中立性与作者团队是否同时在造编辑模型有直接关系。作为今天唯一的评测工作，它排在末位，但指出的评测盲区和自证方法都有实际价值。 趋势观察 今天的加速不再是「砍步数」，而是重新决定每一步该看什么 — SCOPE、ForgeWM、Omni-LiveAvatar 是今天最值得对读的一组，三篇都在做加速，但切入的层次完全不同，合起来正好画出视频生成推理优化的三层地图。SCOPE 动的是注意力内部：它不改模型、不训练，只是质疑现有免训练稀疏注意力用「块级/簇级代理分数」筛 key 这件事——粗粒度代理会把 key 之间的细微差异抹平，高贡献的 key 在激进稀疏下就被漏掉了。它的做法是把过了 RoPE 的 key 按时间、高、宽三个子空间分别聚类，再用查找表聚合质心分数，让代理分数细到单个 key；同时把 Top-k 的下限从「全局固定值」改成「每个头在线估计」，因为不同注意力头的稀疏容忍度本来就不一样，共享一个值必然有头被切狠了。ForgeWM 动的是采样步数，把双向生成器蒸成 1/2/4 步的学生。Omni-LiveAvatar 动的是生成范式，把双向扩散整体换成自回归流式。三者的加速倍率也恰好逐层放大：SCOPE 端到端 1.99 倍，ForgeWM 压到 1 步，Omni-LiveAvatar 相对教师 LTX-2 拿到 33 倍。这说明一件事——单靠某一层的优化很快会触顶，真正的量级提升来自换范式，但换范式的代价是要重训，而 SCOPE 这类免训练方法的价值恰恰在于它能直接叠加到任何已有模型上。值得注意的是三篇的适用边界完全不重叠，理论上可以叠乘，但没有任何一篇验证了叠加后的保真度损失是否线性累积，这大概是这个方向下一步最该做的实验。 MLLM 在生成管线里的角色正在从「编码器」升级为「规划器」 — BiVidGen 与 InstructVVT 从两个尺度上指向同一个转变。过去把 MLLM 接进扩散模型，绝大多数做法是拿它当一个更聪明的文本编码器——冻住权重，取最后一层特征喂给 DiT，MLLM 的自回归生成能力完全没被用到。BiVidGen 系统地拆了三个问题：中间表示该是什么、MLLM 怎么产出它、DiT 怎么吸收它，结论是离散语义视觉 token（EMA tokenizer 产出）作为接口最稳定，自回归因果建模是生成这些 token 的有效方式，而显式的视觉 token 条件化比改写提示词或隐空间桥接都更有效。这三条结论合起来等于说：MLLM 应该真的去「生成」一个视觉计划，而不是被动地提供特征。InstructVVT 在视频试衣这个具体任务上做了同样的事——它砍掉了对 mask、pose 这类手工空间先验的依赖，改由 MLLM 推断语义编辑 token 来做目标消歧和结构保持。这个转变的意义在于，手工先验在真实无约束视频里本来就容易失效，而且把丰富的视觉上下文压成了不完整的结构信号；让 MLLM 直接理解「要改什么」，信息通道宽得多。不过要注意，两篇都还没回答一个关键问题：MLLM 规划出错时，DiT 有没有能力纠正，还是会把错误的语义计划忠实地渲染出来。这个失败模式的分析在两篇里都缺失。 监督信号在变便宜：从「配对目标」退到「参考图 + 注意力对齐」 — CRAFT 这篇的数字值得单独拎出来看：主体个性化的主流做法要 15 万到 200 万组「参考图-合成目标」配对数据，而每一组目标都得靠 LLM 生提示词、T2I 合成、主体抠取、VLM 质检、对应关系标注这条多阶段流水线造出来，成本高，而且方法会被死死绑在某一个目标合成器和某一套数据清洗策略上。CRAFT 只用 1 万张参考图加主体 mask，完全不要合成目标，就在 XVerseBench 上做到了 SOTA。它的思路是把监督从像素空间挪到注意力空间——用注意力级奖励把噪声 token 和短语 token 的注意力对准正确的参考主体，再用得到的逐主体注意力 mask 去门控像素级身份奖励。往大了看，这跟 Concept Guidance 是同一个方向的两种表达：CoG 发现不同层对不同概念的贡献差异很大，于是通过跳过概念相关层来做引导，同样不需要额外训练、外部模型或梯度。两篇合起来提示一个判断——扩散模型内部其实已经有相当结构化的、按概念/主体组织的表示，过去我们花大钱造配对数据，某种程度上是在用外部监督重新教模型一些它内部已经编码好的东西。如果这个判断成立，个性化和可控生成的数据成本还有明显的下降空间。 人工智能炼丹君 整理 | 2026-08-18 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

深度解读|NVIDIA Sol-Engine|Agent自动调栈视频推理快2.77倍 Sol-Engine 深度解读：NVIDIA 让 Agent 自己调出视频推理加速栈，端到端 2.27~2.77 倍 论文：Sol Video Inference Engine: Agent-Native Full-Stack Acceleration Framework for Efficient Video Generation 机构：NVIDIA Research（Efficient AI Team & Singapore Lab）· 港大 · MIT 人类作者：Yitong Li、Junsong Chen、Haopeng Li、Haozhe Liu、Jincheng Yu、Ligeng Zhu、Ping Luo、Song Han、Enze Xie 论文首页署名：NVIDIA SANA Team*、Codex*、GPT-Image2（* 同等贡献） 日期：2026-06（arXiv 2606.23743） 代码：论文给出 GitHub Code 与 Project Page 链接入口，截至发稿未见公开可跑的完整仓库 论文类型：技术报告 / 系统工程论文（非新算法论文） 01 先说说这东西是干嘛用的 先说一个容易被忽略的细节：这篇论文的署名里，Codex 和 GPT-Image2 是和 NVIDIA SANA Team 并列的"同等贡献作者"。arXiv 页面还专门单独列了一栏 "Human authors"，把 9 位人类作者和 AI 分开标注。 这不是行为艺术。论文的主张就是"让 agent 来干加速工程这件活"，所以把干活的 agent 署名进去，逻辑上是自洽的。 回到技术本身。Sol Video Inference Engine（下面简称 Sol-Engine）解决的问题很具体： 视频扩散模型的推理加速，没有通用配方。 现在业界已经攒了一大堆免训练加速手段——跨步缓存、稀疏注意力、token 剪枝、低比特量化、算子融合。每一个单独看都有效。但真到部署时会发现一件很烦的事： 在 Cosmos3-Super 上调好的缓存策略，搬到 LTX-2.3 上就崩，因为后者用的是 res_2s 二阶采样器，不是 Euler； 在 544×960 分辨率下管用的稀疏模式，换到 1088×1920 就掉质量； 在 B200 上收益明显的 NVFP4 量化，换张不支持 FP4 的卡就基本白干。 于是每换一个「模型 × 硬件 × 推理配置」组合，就得重新调一遍。而这三个维度一乘起来是个组合爆炸。NVIDIA 的做法是：别让人一个个调了，把这五类技术做成"技能"暴露给 agent，让 agent 自己搜。 具体产出是三个真实部署的加速栈： 模型 参数量 SGLang 基线 Sol-Engine 加速 Cosmos3-Super 64B（4 卡 SP） 99.6 s 43.9 s 2.27× LTX-2.3 22B 97.8 s 41.0 s 2.38× SANA-Video 2B 29.4 s 10.6 s 2.77× VBench 平均分变化在 ±0.54% 以内。全程免训练，不动模型权重。 （图片来源：论文 Figure 1。左侧是传统模式：kernel 组、算法组、推理服务组各管一段，最后人工集成调试，迭代周期长、沟通成本高、易出错；右侧是 Sol-Engine 模式：五类加速技能暴露给 agent，agent 做局部搜索和栈集成，人只负责验收和迭代） 02 主要亮点，以及需要冷静看的地方 值得关注的地方： 把"加速"这件事重新定义为逐实例调优问题，而不是"发明一个更好的方法"。这个问题重构本身比具体数字更有价值； 三个模型跨越 2B 到 64B，架构差异极大（MoT 混合专家、两阶段推理、线性注意力），同一套流程都拿到了 2× 以上，说明不是过拟合到单一 backbone； 用并行技能 agent + 集成 agent两层结构规避了单 agent 搜全局空间的成本问题，工程上是合理设计； 明确指出 PSNR 这类相似度指标和人类感知不对齐，并给出了反例图（详见第 07 段）——这个观察对整个视频加速评测圈都有价值； 附录 A 的超参配置写得非常细，细到 TeaCache 阈值 1.15、起始第 10 步、LTX 跳过的具体 call 索引 [13,14,16,...,27]。这部分是全文最能直接抄走用的资产； 量化不是一刀切，而是按去噪步选择性施加：Cosmos3-Super 的前 3 步和后 3 步保持高精度，只在中间步走 NVFP4。这个经验规则很实用。 需要冷静看的地方： "agent 比人快"这个核心主张没有对照实验。论文说"with little human effort"，但没给 agent 用的是什么模型、搜了多少轮、花了多少 GPU 小时或 token 成本，也没有"人工调优需要 N 人周 vs agent 需要 M 小时"的量化对比； 没有消融证明 agent 搜索优于随机搜索或网格搜索。这是最大的方法论空白——如果把同样的搜索预算给随机搜索也能找到差不多的配置，那"agentic"就更多是包装而不是贡献； 人工验收仍在环里，所以这不是全自动流程。而"人觉得可以接受"本身是主观且不可复现的判断标准； 只在 B200 / B300 上做了实测，而这两张卡正好是 NVFP4 的主场。论文 Figure 3 把 H200 和 RTX 5090 画进了"硬件空间"，但没有给这两张卡的任何实测数字； VBench 平均分几乎不变，但单维度有明显退化被平均分抹平了：成像质量在 Cosmos3-Super 上掉 1.35%、在 SANA-Video 上掉 1.64%，LTX-2.3 的美学质量掉 2.09%； 只报单请求延迟，没有吞吐量和显存峰值数据。生产部署更关心并发下的 QPS； Cosmos3-Super 是 NVIDIA 自家模型，有"自家模型自家调"的信息优势； 没有和 TeaCache、Sparse VideoGen2 等单点方法做同环境端到端对比——这些方法在论文里是"技能库的候选项"，不是"被击败的基线"。 03 视频加速这条赛道现在什么样 在看 Sol-Engine 怎么组合之前，先把它调用的这些"技能"各自的来路说清楚。视频扩散加速大致分三层打： 算法层：缓存。 相邻去噪步算出来的东西很像，那就别重复算。代表工作是 TeaCache（用 timestep 嵌入预测输出变化量，变化小就复用缓存残差）、TaylorSeer（ICCV 2025，用泰勒展开预测未来特征，而不只是复用旧特征）、EasyCache（运行时自适应调整复用策略）。 模型层：稀疏注意力 + token 剪枝。 视频的时空 token 序列很长，注意力矩阵里大量连接贡献很小。稀疏注意力方向有 PISA（分块稀疏 + 一阶泰勒补偿）、Sparse VideoGen 1/2、SpargeAttention、Radial Attention、VSA。token 剪枝方向有 ToMe-SD、Astraea、TAPE、CoReDiT。 Kernel 层：量化 + 算子融合。 量化有 PTQ4DiT、Q-DiT、SVDQuant、SageAttention 1/2/3。融合有 CUTLASS epilogue、ByteTransformer、CODA（把 transformer block 重写成 GEMM + epilogue 程序）。 另一条相关线索是"agent 做系统优化"：CUDA-LLM 和 CudaForge 已经证明 agent 配上编译检查、正确性验证、profiling 反馈，可以自动生成或优化 CUDA kernel。The AI Scientist 则证明 agent 能跑完整的科研闭环。 Sol-Engine 站的位置很清楚：它不发明上面任何一层的新方法，它做的是"怎么把这些方法组合起来并调对参数"的自动化。 这个定位决定了它的价值和局限——价值在于把学术界攒的一堆单点技术真正落到部署；局限在于它本身没有新的算法贡献。 04 为什么"通用加速配方"这件事不成立 这是全文论证最扎实的一段，也是理解 Sol-Engine 为什么要用 agent 的关键。 论文先把冗余拆成三层，然后给了一个很有说服力的数据。 （图片来源：论文 Figure 2。左：未加速推理路径中算法级、模型级、kernel 级三层冗余的分布，30 步去噪中 GEMM 约占 40%、Softmax 约 20%，剩下是 RoPE、norm 等碎片算子；右：同一个 LTX-2.3、同一张卡，仅改变分辨率后的时间分布对比） 看右边那两条： LTX-2.3 在 544×960、token 长度 15,810 时：GEMM 38.8% / Softmax 19.9% / 逐元素+norm 41.3% 同一个模型在 1088×1920、token 长度 63,240 时：GEMM 24.8% / Softmax 47.6% / 逐元素+norm 27.6% 分辨率翻一倍，Softmax 占比从 19.9% 直接涨到 47.6%，GEMM 从 38.8% 掉到 24.8%。 瓶颈换了个位置。 低分辨率下你该去优化碎片算子和 GEMM，高分辨率下你该去优化注意力。同一个模型、同一张卡，只改了分辨率，最优的优化方向就完全不同了。 这就是"instance-specific"的实证。再把模型架构和硬件两个维度乘进来： （图片来源：论文 Figure 3。模型维度：Cosmos3-Super 64B 混合 Transformer、LTX-2.3 22B 两阶段推理、SANA-Video 2B 线性注意力；硬件维度：B200 192GB/FP4·8·16/约 9000 TFLOPS、H200 141GB/FP8·16·BF16/约 1979 TFLOPS、RTX 5090 32GB/FP4·8·16/约 3352 TOPS；配置维度：480p~1080p 分辨率、5~30 秒时长、16~48 fps 帧率） 论文的具体论证是： 模型决定数值敏感性：不同 backbone 对量化的鲁棒性、注意力冗余度、缓存跨步稳定性、token 剪枝容忍度都不一样； 硬件决定瓶颈暴露在哪：在 B200 这种高算力卡上，大 GEMM 快到一定程度后，小算子的启动开销和访存受限的 epilogue 就占了更大比例；换到算力弱的卡上，密集计算仍然主导，那些启动开销反而看不见； 配置决定 token 数和运行时平衡：注意力随 token 数平方增长，FFN 大致线性增长，所以分辨率一变，注意力和 FFN 的时间占比就会大幅移动。 结论是两句话：部署实例太多，穷举人工调优不可扩展；但每个实例内部的优化问题结构是清晰的——目标（延迟）和约束（质量不掉）都明确，这恰好适合交给 agent 自动化。 05 五个加速技能，每一个在干什么 （这段偏技术，只想看结果的可以直接跳到 08。） Sol-Engine 的技能库里有五样东西。每一样都不是新发明，但 agent 需要为每一样决定"用哪个方案 + 怎么调参"。 1. 跨步缓存（Cross-Step Cache） 高质量生成通常要 30~50 步去噪。相邻步之间模型反复执行结构相似的计算，隐状态变化缓慢。缓存就是跳过一些步的计算，用之前的结果补上。 Agent 要决定的事：选哪个缓存策略（TeaCache / EasyCache / TaylorSeer）、跳步时间表、缓存什么（特征还是残差）、补偿规则、warmup 多少步、最多允许连续跳几步。 2. 稀疏注意力（Sparse Attention） 视频 token 在时间上跨帧冗余、空间上帧内冗余，很多注意力边对最终输出贡献极小。稀疏注意力砍掉这些边，把平方复杂度压下来。 Agent 要决定的事：用哪个稀疏后端（PISA / SpargeAttention / SVG2）、哪些层可以安全稀疏化、哪些层必须保持 dense、稀疏模式、补偿策略。 3. Token 剪枝（Token Pruning） 不是砍注意力边，而是直接砍序列本身——跳过、合并或重建冗余的 latent token。序列短了，后面的注意力和 FFN 都跟着省。 Agent 要决定的事：剪枝准则、剪枝比例、层调度、时间步调度、重建规则。论文特别强调这里的验证重点是时序连贯性和后期步的细节保真——剪枝最容易破坏的就是运动的稳定性。 4. 量化（Quantization） 论文对量化的判断很清醒：量化能带来多少实际加速，取决于隐藏层维度、token 数和硬件特性；而模型对量化噪声的敏感度，取决于它自己的训练参数分布。所以加速潜力和质量代价都会随部署实例剧烈变化。 Agent 要决定的事：profiling 各层敏感度和张量形状，然后调逐层精度分配、权重/激活位宽、随时间步变化的缩放。 5. 算子融合（Kernel Fusion） Transformer 推理会在 GEMM 周围反复启动一堆算术强度很低的算子：bias 加法、残差更新、归一化、激活函数、缩放、layout 转换。融合就是趁中间结果还在寄存器或共享内存里就把后续算子做完，而不是写回 HBM 再启一个 kernel。 Agent 要决定的事：融合哪些算子序列、用手写 kernel 还是编译器生成、怎么匹配当前的张量形状和精度格式。典型候选是 GEMM + GELU、GEMM + residual、RoPE + norm。 论文把融合定位成后期任务——要等前面几层加速做完、瓶颈重新暴露之后再来做，因为融合的收益完全取决于"此刻什么在拖后腿"。 06 Agent 工作流怎么转起来 （图片来源：论文 Figure 5。① 加速技能库：缓存/token 剪枝/稀疏注意力/算子融合/量化；② 并行适用性执行器：每个技能一个 agent 独立判断是否适用并给出最优实现，图中示例显示 token 剪枝被判定为"不适用，会造成不可忽略的损失"；③ 集成 agent：组合已选技能、全局参数调优、端到端质量检查、生成栈补丁；④ 人工验收：效率面板看延迟/吞吐/显存，质量面板看一致性/视觉保真/对齐，最后决定接受还是修订策略。论文脚注注明各方法的适用性在不同模型上会变，图中实现仅作示意） 整个流程分三段： 第一段：并行技能 agent 做局部搜索。 不让单个 agent 去搜整个全局空间——技能太多，联合搜索空间太大，成本和耗时都不划算。改成每个技能族一个独立 agent，各自在自己的小空间里并行搜。 比如缓存 agent 去搜跳步时间表和补偿规则，算子融合 agent 去 profile 每个 kernel 的耗时然后试 GEMM + GELU、RoPE + norm 这些组合。 有意思的是图里显示 agent 会主动报告"不适用"——token 剪枝在那个模型上被判定为损失不可忽略，直接出局。这比强行把五个技能都堆上去要合理。 第二段：集成 agent 做全局组合。 这一段是真正的难点。论文说得很直白： 这些方法不是独立的，最终端到端加速不等于各自局部收益的直接乘积。而且很多技术是有损的，直接把局部最优选择堆起来会累积近似误差，产出不可接受的结果。 所以集成器不是简单汇总第一阶段的结果，而是要重新做全局优化。它要解决的具体问题包括：缓存和稀疏注意力这两个有损方法叠加之后还能不能接受？量化和算子融合在同一个部署目标下有没有兼容的实现？ 第三段：人工验收给质量反馈。 用固定的验证集看每个集成候选，判断视觉质量是否可接受。这个反馈决定下一轮 agent 是可以往更激进的加速推，还是要收敛回保守一点。 07 为什么人还必须留在环里 这一段是我认为全文最有洞察的部分，而且它的价值超出这篇论文本身。 问题是：既然要自动化，为什么不把质量判断也自动化？用 PSNR 做约束不就闭环了吗？ 论文给了反例。 （图片来源：论文 Figure 6。上排为经过人工验收的结果——PSNR 更差但视觉质量更好；下排为未经人工验收的结果——PSNR 更好但视觉质量更差。左侧瀑布场景中，下排的水流细节糊成一片；右侧机器人场景中，下排的面部和城市结构出现明显退化） 看左边那组瀑布：上排（人工验收通过的）PSNR 分数更差，但水流的岩石细节清晰；下排（PSNR 分数更好的）水流糊成一团。右边机器人那组同理，下排的脸部和背景建筑明显退化。 原因是 PSNR 这类逐像素相似度指标有个结构性缺陷： 当加速后的输出只是改变了一些无害的视觉细节（比如水花的具体形状变了，但一样清晰合理），PSNR 会判定距离很大——虽然人看着完全能接受； 反过来，当输出出现模糊、时序抖动、运动不连贯这类真正致命的退化时，它在数值上反而可能离基线更近——因为模糊本身就是向均值收敛。 所以如果拿 PSNR 当优化目标，agent 会被引导向"生成模糊但数值安全"的方向。这正好是最不该要的结果。 论文的处理是老实承认这一点，把人留在环里做最终把关，并把"建立更强的端到端视觉质量评估器"列为未来工作——具体设想包括学习式视频偏好模型、伪影检测器、物理一致性检查、VLM 端到端质量判断。 这个观察对做视频生成评测的人来说值得单独拿出来看：只要自动指标和人类感知的错位没有解决，任何"全自动加速搜索"都会朝着指标漏洞的方向优化。 08 加速数字逐级拆解 这是全文最硬的一张图，把每一层技术各自贡献了多少秒都标出来了。 （图片来源：论文 Figure 4。绿色为去噪/DiT 阶段，灰色为 VAE 解码阶段，每一行代表叠加一层加速技术后的耗时构成，红色箭头标注累积加速倍率） 先看总表（NVIDIA B200，三种部署延迟与两套加速倍率）： 模型 官方 pipeline SGLang 基线 Sol-Engine vs SGLang vs 官方 Cosmos3-Super 64B（4 卡 SP） 108.3 s 99.6 s 43.9 s 2.27× 2.47× LTX-2.3 22B 118.1 s 97.8 s 41.0 s 2.38× 2.88× SANA-Video 2B 34.2 s 29.4 s 10.6 s 2.77× 3.23× 论文主表用 SGLang 归一化，同时也给出了官方 pipeline 的延迟供参考，这点算诚实——毕竟 SGLang 本身已经比官方实现快了一截（比如 LTX 从 118.1 s 降到 97.8 s），拿官方版当基线会让倍率凭空好看一截。 Cosmos3-Super（64B，4 卡序列并行） 拆解路径：99.6 s（去噪 94.5 + VAE 4.8）→ 缓存后 52.4 s（去噪 47.3，1.90×）→ 加 kernel 融合与量化后 43.9 s（去噪 39.1，2.27×） 这个模型的加速几乎全靠缓存吃下来了——单缓存一项就 1.90×。原因是 64B 的 MoT 架构里 transformer block 极大，跳过一次去噪步省下的绝对时间非常可观。 缓存 agent 选的是 TeaCache 风格策略。量化则是按去噪步选择性施加，这是很值得抄的经验： 前 3 步和后 3 步保持高精度——早期步决定全局结构，晚期步细化高频细节，这两头用低精度分别会导致结构偏移和高频伪影； 中间那些"比较规整"的步走 NVFP4，作用在算术密度高的 GEMM 层：FFN 的 gate-up 和 down 投影、注意力的 QKV 和输出投影。 LTX-2.3（22B，两阶段） 拆解路径：97.8 s → 缓存后 70.3 s（1.39×）→ 加 token 剪枝和稀疏注意力后 58.5 s（增量 1.20×，累积 1.67×）→ 加算子融合和量化后 41.0 s（2.38×） 分阶段看更清楚（第一阶段 / 第二阶段 / VAE）： 配置 一阶段 二阶段 VAE 总计 SGLang 基线 60.8 s 28.2 s 8.8 s 97.8 s + 缓存 33.3 s 28.2 s 8.8 s 70.3 s + token 剪枝 & 稀疏注意力 33.3 s 16.4 s 8.8 s 58.5 s + 算子融合 & 量化 24.6 s 11.0 s 5.4 s 41.0 s 这张表把"分工"说得很明白：缓存只砍了一阶段，稀疏注意力和 token 剪枝只砍了二阶段。 原因是 LTX-2.3 的流水线本身是两段式的——一阶段用 res_2s 二阶采样器跑 15 步生成 544×960 的 latent，二阶段上采样到 1088×1920 再精修 3 步，最后 VAE 解码 241 帧。二阶段的 token 数是一阶段的 4 倍，注意力成本占大头，所以稀疏化和剪枝的收益都在这里。 值得注意的是缓存在这个模型上只拿到 1.39×，明显低于 Cosmos3-Super 的 1.90×。论文解释了原因：res_2s 是二阶采样器，而市面上大部分缓存启发式规则是按 Euler 类调度假设设计的，直接套不上。Agent 最后是靠固定步跳过策略而不是在线阈值判断绕过了这个问题。 SANA-Video（2B，线性注意力） 拆解路径：29.4 s（去噪 28.2 + VAE 1.2）→ 缓存后 19.8 s（去噪 18.6，1.48×）→ 加 kernel 优化后 10.6 s（去噪 9.4，2.77×） 这个模型的情况反过来了：因为 SANA-Video 本身就是效率导向设计的（用线性注意力替掉平方复杂度的标准注意力），模型层已经没什么可榨的了，所以完全不用稀疏注意力和 token 剪枝，收益全来自算法层缓存和 kernel 层优化。 缓存 agent 选的是 EasyCache，50 步里跳掉约 16 步。kernel 层的三个改动都很朴素但有效（详见第 10 段）。 一个需要提醒的点：2.77× 是三个模型里最高的倍率，但它的绝对基数最小（29.4 s → 10.6 s）。小模型的 kernel 启动开销占比高，torch.compile 这类图优化的相对收益天然更大。别把 2.77× 直接理解成"这套栈在大模型上也能到 2.77×"。 09 质量到底掉没掉 论文用 VBench 做质量把关。先看结论表： 配置 平均分 主体一致性 背景一致性 时序闪烁 运动平滑 美学质量 成像质量 整体一致性 Cosmos3-Super 64B 基线 0.7759 0.9687 0.9301 0.9859 0.9923 0.6134 0.7276 0.2133 Sol-Engine 0.7775 0.9723 0.9382 0.9877 0.9935 0.6197 0.7178 0.2133 Δ +0.21% +0.37% +0.87% +0.18% +0.12% +1.03% -1.35% +0.00% LTX-2.3 22B 基线 0.7646 0.9010 0.9245 0.9675 0.9871 0.6234 0.7012 0.2474 Sol-Engine 0.7605 0.9006 0.9137 0.9704 0.9840 0.6104 0.7013 0.2429 Δ -0.54% -0.04% -1.17% +0.30% -0.31% -2.09% +0.01% -1.82% SANA-Video 2B 基线 0.7864 0.9730 0.9648 0.9626 0.9843 0.6650 0.6892 0.2660 Sol-Engine 0.7847 0.9750 0.9654 0.9646 0.9842 0.6624 0.6779 0.2637 Δ -0.21% +0.21% +0.06% +0.21% -0.01% -0.39% -1.64% -0.86% 平均分变化确实很小：+0.21% / -0.54% / -0.21%。论文的说法是"加速来自消除冗余和低效操作，而不是牺牲感知上关键的计算"，从平均分看站得住。 但平均分掩盖了两个细节： 第一，成像质量（imaging quality）这一维在 Cosmos3-Super 上掉了 1.35%，在 SANA-Video 上掉了 1.64%，是这两个模型各自跌幅最大的维度（LTX-2.3 是唯一例外，这一维基本没动，+0.01%）。成像质量衡量的正是单帧的清晰度和伪影水平，也就是有损加速最容易伤到的地方。平均分之所以没动，是因为主体一致性、背景一致性、时序闪烁这些维度绝对值都在 0.9 以上且波动极小，把跌幅稀释掉了。 第二，LTX-2.3 的美学质量掉了 2.09%，是全表最大的单项跌幅，同时整体一致性掉 1.82%。这个模型是三个里唯一叠满了缓存+稀疏注意力+token 剪枝+量化四层的，有损方法堆得最多，代价也最明显。 还有一点值得说：VBench 的"整体一致性"（overall consistency，衡量文本-视频对齐）绝对值只有 0.21~0.27，本身分辨力就有限，在这个区间讨论 ±1.8% 的变化意义不大。 定性对比图看着确实还行： （图片来源：论文 Figure 7。每组上排为未加速的 SGLang 结果，下排为 Sol-Engine 加速结果，标注了各自的加速倍率。Cosmos3-Super 是机械臂刷盘子，LTX-2.3 是老人织渔网，SANA-Video 是热气球飞越麦田。场景布局、主体排布和运动结构基本保持） 论文自己的表述是"加速后的输出在精细视觉细节上可能有轻微差异，但整体视觉质量、运动质量和物理保真度仍然很强"。这个说法和数据是一致的——要的是"部署可接受"，不是"逐像素一致"。 10 三个模型的具体配置（最能直接抄的部分） （这段是纯工程细节，不打算自己动手的可以跳到 13。） 附录 A 的信息密度非常高。如果你手上正好有这几个模型要部署，这些参数可以直接当起点用。 共性原则（论文明确说三个模型只在实现范围和超参上不同，方法层面原则一致）： 缓存始终作为免训练的去噪步复用策略，但具体时间表按模型走； 稀疏注意力只在注意力图有足够结构性时才引入，否则不动； token 剪枝只在中间 token 冗余到"丢一部分不会有可见伪影"时才用； 量化选择性施加，数值脆弱的阶段留高精度，稳定的 GEMM 密集区域降精度； kernel 优化包括 epilogue 融合、QKV 路径融合、归一化路径融合、编译器图融合，只在对目标工作负载稳定时才启用。 Cosmos3-Super 缓存：TeaCache 风格残差重放，阈值 1.15，起始第 10 步，最多 3 次连续命中。判据是测量生成隐状态跨去噪步的相对 L1 变化并累积，累积值低于阈值就跳过生成路径的 transformer block，否则重算并刷新缓存残差； 量化：前 3 步 + 后 3 步走 dense/高精度路径，中间步用 NVFP4，作用于 FFN gate-up / down 投影和注意力 QKV / 输出投影。 LTX-2.3 两阶段结构：一阶段 res_2s 采样器 15 步 @544×960，二阶段上采样精修 3 步 @1088×1920，VAE 解码 241 帧； 缓存：用固定步跳过而非在线 TeaCache 阈值。预设名 8of15_last_29calls——一阶段共 29 次 denoiser 调用，在调用索引 [13, 14, 16, 17, 18, 19, 20, 21, 22, 24, 25, 26, 27] 复用上次计算结果（reuse_mode=last、max_skip_steps=30）。也就是 29 次里跳掉 13 次，约 45%； 稀疏注意力：PISA 只用于二阶段的高分辨率精修 transformer。稀疏度 0.9（密度 0.1），block size 64，只替换 video self-attention，一阶段稀疏调度关闭；二阶段 layer 0~1 保持 dense，之后的层用分块稀疏 + 近似余项 + 打分路由 + FlashAttention dense 兜底； token 剪枝：也只在二阶段。精修调用中按 feat_norm 显著性保留 50% video token，只在 refinement call 1 和 2 上做； 量化：NVFP4 只用于 video FFN 的输入/输出投影，NVFP4 融合的 proj_in+GELU 与 proj_out+bias+gate 路径关闭； 无损融合开关（这一串很长，照抄）：block-0 self-attention 共享、guidance-prefix 共享、QK+RoPE 融合、RMS-AdaLN 融合、AdaLN 融合、QKNorm+RoPE 融合、双调制融合、cross-attention 双调制融合、Ada values 融合、残差门融合、FFN proj_in+GELU 融合、gate-to-output 编译、audio QKVG 融合、全局 QKNorm+RoPE 融合、tiled VAE 解码编译； 蒸馏 LoRA 强度：一阶段 0.25、二阶段 0.5；二阶段 sigmas 为 [0.909375, 0.725, 0.421875, 0.0]。 SANA-Video 测试配置：81 帧、50 步、480p（832×480）； 不用稀疏注意力、token 剪枝、NVFP4 FFN 量化； 缓存：EasyCache，阈值 0.1，warmup 3 步，空间下采样步长 8。判据是从下采样隐状态估计在线的输入-输出变换率，累积估计的相对输出变化，低于阈值就跳过整个 transformer block 栈。缓存残差在未 batch 的 CFG 分支间共享，避免注入过期的 guidance；50 步里约跳 16 步； 三个 kernel 级改动：① 线性注意力的 K/V 聚合保持 BF16 tensor-core 执行，不提升到 FP32；② Q/K/V 投影权重加载后拼接，合并成一个 GEMM；③ DiT block 栈用 torch.compile 编译，max-autotune 模式用 max-autotune-no-cudagraphs + 子进程 autotuning + 持久化 TorchInductor 缓存； 低比特线性注意力 kernel 额外贡献约 1.2× kernel 级加速，重建损失很小（PSNR 高于 30 dB）。 从这三份配置里能提炼出的通用直觉： 模型越大，缓存的相对收益越高（64B 拿到 1.90×，2B 只有 1.48×）； 本身已经做过效率优化的架构（线性注意力），模型层加速基本没戏，要往算法层和 kernel 层找； 多阶段流水线要分阶段施策，高分辨率阶段才值得上稀疏注意力和剪枝； 量化不要一刀切，首尾去噪步和数值脆弱模块留高精度； 非标准采样器（二阶、多阶）会让主流缓存启发式失效，退化成固定步跳过反而更稳。 11 换硬件会怎样 论文额外做了单卡 Cosmos3-Super 在 B200 和 B300 上的对比： 配置 延迟 加速 B200 × SGLang 353.5 s 1.00× B200 × Sol-Engine 143.8 s 2.46× B300 × SGLang 351.9 s 1.00× B300 × Sol-Engine 137.6 s 2.56× B300 相对 B200 的 BF16 算力差不多，但 NVFP4 算力更高。结果符合预期： Cosmos3-Super 依赖 NVFP4 执行较多，所以在 B300 上拿到更明显的端到端收益（2.46× → 2.56×）； LTX-2.3 和 SANA-Video 对 NVFP4 依赖较轻，单卡场景下换到 B300 端到端几乎没变化。 这个实验本意是展示框架的硬件适应性，但反过来读出的信息更重要：这套栈的收益里有相当一部分绑定在 FP4 硬件支持上。 如果部署环境是 H100/H200 这类只有 FP8 的卡，或者更老的 A100，量化这一层的贡献会大幅缩水，2× 这个数字就不能直接搬。 论文 Figure 3 把 H200 和 RTX 5090 都画进了硬件空间图，但正文和附录都没有给这两张卡的任何实测数据。这是一个明显的缺口——一个号称"解决硬件异构性"的框架，只在同代同架构的两张卡上验证了硬件维度。 顺便注意单卡 Cosmos3-Super 的绝对延迟：353.5 s 基线，加速后 143.8 s。而 4 卡序列并行版本是 99.6 s → 43.9 s。64B 模型单卡出一段视频要两分半，这个量级离交互式使用还很远。 12 想自己复现要注意什么 能不能直接跑起来？ 论文在摘要末尾给了 "Github Code" 和 "Project Page" 的链接入口，但截至发稿我没有找到公开可跑的完整仓库。所以现实的用法是：把附录 A 当配置说明书，在自己的推理栈上手动复刻。 好消息是所有依赖的技术都有公开实现： 缓存：TeaCache、EasyCache、TaylorSeer 都有开源仓库； 稀疏注意力：PISA、SpargeAttention、Sparse VideoGen 2 都开源； 量化：SVDQuant、SageAttention 系列开源； 融合：CUTLASS epilogue 是官方文档，torch.compile 是现成的。 运行时基座是 SGLang。 论文明确说部署接口组织成"dense 基线路径"和"组合后的 fullopt 路径"两条，所以测出来的对比是端到端服务栈，不是孤立的 kernel 微基准。这个做法值得学——很多加速论文只报 kernel 级数字，端到端一测就缩水。 硬件门槛不低：主实验在 B200 上，Cosmos3-Super 用了 4 卡序列并行。如果只有单卡，参考第 11 段的单卡数字。 如果要复刻 agent 部分：论文没有公开 agent 的实现细节——用什么模型、prompt 怎么写、搜索循环怎么组织、每个技能 agent 的工具接口长什么样，全都没有。想复现这一层，参考 CudaForge 和 CUDA-LLM 这两篇会更实际。 一个务实的建议：如果你的目标只是把某个视频模型的推理跑快一倍，没必要先搭 agent 框架。直接照抄第 10 段的经验规则（缓存优先、首尾步留高精度、高分辨率阶段才上稀疏、torch.compile 兜底），手工调两三轮大概就能吃到大部分收益。Agent 的价值在于你要同时维护很多个部署实例，而不在于单个实例能调得更好。 13 需要留意的限制 前面零散提过一些，这里集中说。 1. 核心主张缺对照实验。 论文反复强调"with little human effort"、"in a fraction of the usual human effort"，但通篇没有任何量化：agent 用的什么模型？搜了多少轮？消耗多少 GPU 小时和 token？人工调优同样的目标要多久？没有这组对比，"agent 省人力"就只是一个断言。 2. 没有搜索策略的消融。 这是我认为最要紧的空白。Agent 相比随机搜索、网格搜索、贝叶斯优化的优势在哪？论文没做这个对比。考虑到每个技能的搜索空间其实不大（缓存阈值、稀疏度、剪枝比例这些都是低维连续或离散参数），传统超参搜索方法完全可能达到同样效果。如果是这样，"agentic" 的贡献就主要在"自动化编排和写补丁代码"，而不在"搜得更好"。 3. 不是全自动。 人工验收在环，且论文自己承认这是当前的主要限制。而"人觉得可接受"是主观标准——换一批验收人，加速激进程度的上限就会变。这也意味着结果不完全可复现。 4. 硬件验证面太窄。 只有 B200 和 B300，同代同架构。Figure 3 承诺的 H200、RTX 5090 都没有实测。而 NVFP4 量化的收益强烈依赖 FP4 硬件，这一层在非 Blackwell 卡上会显著缩水。 5. 质量评测的选择性。 VBench 平均分变化在 ±0.54% 内，但成像质量维度三个模型有两个跌超过 1.3%，LTX-2.3 的美学质量跌 2.09%。论文正文只讨论平均分"基本持平"，没有专门解释这些单维退化。另外定性对比图是作者挑的，Figure 7 加附录 B 的 18 组对比里没有失败案例。 6. 没有吞吐和显存数据。 全文只有单请求端到端延迟。生产部署要看的是并发下的吞吐、显存峰值、以及加速后能否提高 batch size。稀疏注意力和 token 剪枝理论上能省显存，但论文没量化。 7. 缺少与单点方法的端到端对比。 TeaCache、SVG2、SVDQuant 这些在论文里是"技能库候选"，没有"单独用某一个方法能到多少倍"的完整对照。Figure 4 的分层拆解某种程度上补上了这个信息（比如 Cosmos3 单缓存 1.90×），但那是在 Sol-Engine 自己调参下的结果，不是各方法原始实现的公平对比。 8. 自家模型的信息优势。 Cosmos3-Super 是 NVIDIA 自己的模型，团队对它的架构、数值特性、训练分布都有外部研究者拿不到的信息。这不影响结果的真实性，但会影响"这套流程对任意第三方模型都同样有效"这个推论的强度。 9. 论文类型的定位。 署名（把 Codex 和 GPT-Image2 列为作者）、结构（大量篇幅在描述工程配置）、缺少方法论消融——这些都指向它更像一份高质量工程实践报告，而不是一篇方法论文。按技术报告的标准看，它的信息密度很高；按方法论文的标准看，它的验证是不完整的。 14 横向对比表格 下面这张表是我按公开信息整理的，不是论文原表。需要特别说明：Sol-Engine 没有和这些方法做同环境的端到端对比，所以加速倍率跨行不可直接比较（模型、硬件、分辨率、基线都不同）。 方案 覆盖层级 自动化程度 免训练 论文报告的加速 质量代价 硬件绑定 Sol-Engine 算法 + 模型 + kernel 全栈 Agent 并行搜索 + 集成 + 人工验收 是 端到端 2.27~2.77×（B200） VBench 平均 ±0.54% 较强（NVFP4 依赖 Blackwell） TeaCache 算法（缓存） 手工调阈值 是 本文实测单项 1.39~1.90× 中等，跳步越多越明显 无 EasyCache 算法（运行时自适应缓存） 在线自适应 是 本文实测单项 1.48× 中等 无 PISA 模型（分块稀疏注意力） 手工选层与稀疏度 是 本文中作为二阶段组件 小（有泰勒补偿） 无 Sparse VideoGen 2 模型（语义感知稀疏） 在线 profiling 是 注意力级为主 小 需定制 kernel SVDQuant kernel（4bit 量化） 手工 是（PTQ） 显存与访存收益为主 小 需低比特支持 SLA2 模型（稀疏 + 线性混合） 可学习 Router 否，需 QAT 微调 端到端 2.30~4.35×（RTX 5090） 需微调，作者称可超 full attention 无 CudaForge kernel（CUDA kernel 生成） Agent + 硬件反馈 是 单 kernel 级 无（要求数值正确） 无 几点解读： Sol-Engine 的差异化不在"加速比更高"，而在"覆盖层级最全 + 调参过程自动化"。单看倍率，SLA2 在 Wan2.1-14B-720P 上报出 4.35×，比 Sol-Engine 的任何一个数字都高——但那需要 QAT 微调，不是免训练，且模型和硬件都不同； 免训练这一栏很关键。Sol-Engine 全程不动权重，这让它可以直接套到任何已发布的模型上，工程摩擦远小于需要微调的方案； 硬件绑定这一栏是 Sol-Engine 相对吃亏的地方。它的 kernel 层收益有相当部分来自 NVFP4，换卡就要重新评估。 15 总结感受 我觉得这篇论文真正的价值不在那几个 2× 的数字，而在它把问题重新框了一遍。 过去两年视频加速方向的论文，主流叙事是"我提出了一个新的缓存/稀疏/量化方法，比前人快 X 倍"。这类工作攒到今天已经足够多了，多到出现了一个新的瓶颈：没人知道该怎么把它们组合起来用在自己的部署上。 Sol-Engine 承认了这个现实，并给出一个务实的回答：这是个组合优化和调参问题，人工做不划算，交给 agent。Figure 2 那组数据（同一个模型同一张卡，分辨率翻倍后 Softmax 占比从 19.9% 涨到 47.6%）是全文最有说服力的论证——它证明"通用最优配方"这个东西压根不存在。 但作为一篇方法论文，它的验证是不完整的。 缺 agent vs 传统超参搜索的对照，缺人力成本的量化，硬件维度只验证了同代两张卡。这些不是小瑕疵，而是直接关系到"agentic 到底贡献了什么"这个核心问题。以现在的证据，我倾向于认为 agent 在这里的主要价值是自动化了编排和代码补丁生成，而不是搜到了人搜不到的解。 所以我给不同人的建议不一样： 如果你是工程师，正要部署这几个模型——直接去看附录 A，第 10 段我已经整理好了。那些经验规则（缓存优先、首尾步留高精度、多阶段流水线分阶段施策、非标准采样器退化成固定步跳过）比 agent 框架有用得多，手工调两三轮就能吃到大部分收益。 如果你是研究者——最值得跟进的不是 agent 框架本身，而是它暴露的那个空洞：缺一个和人类感知对齐的自动视频质量评估器。 论文的人工验收环节之所以拆不掉，根子就在这。谁把这个问题解决了，"全自动加速搜索"才真的能闭环，而且这个能力的价值远超加速这一个场景。 如果你在做技术决策——记住 2× 是在 B200 上、免训练、单请求延迟的数字。换硬件要重新评估（尤其没有 FP4 支持的卡），关心吞吐的话论文没给数据，而且你自己的模型需要重新跑一遍搜索流程。 最后说回开头那个细节。把 Codex 和 GPT-Image2 署名成作者，arXiv 用 "Human authors" 单独一栏来区分——这件事本身可能比论文的技术内容更值得记一笔。 它标记了一个开始：AI 参与科研产出的程度已经到了需要在署名规范上做制度性区分的地步。至于这算进步还是隐忧，各人判断不同，但趋势看起来是不可逆的。 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-08-13|Adobe视频世界模型首次外推物理定律LDR 今日 AIGC 论文速览 今日共 10 篇 · 世界模型与物理外推 2 篇 · 全模态对话与数字人 1 篇 · 生成训练目标与对抗后训练 1 篇 · 流式与自回归视频生成加速 2 篇 · 图像超分与编辑 2 篇 · 语音合成细粒度控制 1 篇 · 视频生成评测基准 1 篇 重点论文标题列表 LDR（UCSD·Adobe）：首个能外推物理定律的视频世界模型 Ex-Omni-2D（香港中文大学（深圳）·腾讯光子）：四卡四步推理让对话模型有形象 ⚡ AdvFD（北京大学·快手可灵（KlingAI Research））：对抗表征治好FD指标刷分症 Stream Forcing（华中科技大学·地平线·Anyverse Dynamics）：统一训练轨迹让流式视频FVD降36.6% SparSTAR（西江大学（Sogang University））：免训练块稀疏注意力720p提速1.6倍 今日论文速览 1. LDR：首个能外推物理定律的视频世界模型 Learning How the World Evolves: Extrapolative Video World Models via Latent Dynamics Reasoning | UCSD·Adobe | arXiv:2608.09926 ⚠️ 前序问题：世界按自身的动力学（运动定律）演化，但主流视频扩散模型基本是在拟合像素，而没有建模像素如何随时间转移。结果是它们能渲染出视觉上合理的帧，却未必真的遵守物理定律——尤其在分布外场景中，模型是真学到了底层动力学，还是只记住了训练集里的表观模式，此前很难分辨，也几乎没有模型能把学到的动力学外推到训练分布之外。 本文贡献：提出 Latent Dynamics Reasoning（LDR），纯粹从像素中捕获动力学：把潜空间的状态转移显式改写成运动学积分——低阶动力学用数值积分直接算出，网络只回归驱动 rollout 的三阶及以上残差项。为了让这套积分具备更好的外推能力，LDR 不在稠密卷积特征上做，而是运行在结构化潜变量（Structured Latent）之上。沿用 PhyWorld 的设定，在匀速运动、抛物线、碰撞、弹跳、逼近五个任务的白盒物理基准上验证，重点考察能暴露模型是否真正习得动力学的分布外场景。 Overview of LDR. Given three conditioning frames $I_0,I_1,I_2$, LDR predicts the future frames $\hat{I}_3,\hat{I}_4,\dots,\hat{I}_T$ in three stages. (A) LDR first encodes each input frame into a structured latent (SL). (B) LDR measures the low-order time derivatives of the given SL, then rolls out by regressing only the high-order residual with $f_\theta$ and numerically integrating the lower orders to the next latent $\hat{\boldsymbol{s}}_t$ ($t\in\{3,4,\cdots,T\}$). (C) LDR finally decodes each predicted latent to an RGB frame $\hat{I}_t$. 实验效果：在 256² 分辨率下，无论单任务还是联合任务训练，LDR 的分布内与分布外误差之差比视频扩散基线小 20 倍以上，同时参数量少 26 倍、运行速度快 143 倍。它在剧烈分布偏移下依然成立：仅用「红球从左向右」训练，却能正确预测蓝色方块从右向左的运动。作者称这是据其所知首个能把学到的动力学外推到训练分布之外的视频世界模型。 Stress test under severe OOD shift. Trained only on red balls but tested on an unseen object (e.g., “earth”), LDR still predicts the correct motion, while the others fail. 批判点评：这篇的方法论姿态比数字更值钱。它没有把「物理一致性」当成一个再加些数据、再加个 loss 就能改善的软指标，而是直接在架构层面把低阶运动学变成不可学的确定性计算，只留高阶残差交给网络——这等于把归纳偏置从「祈祷模型学到」改成「结构上直接给定」，也顺带解释了参数量能少 26 倍：本来大量容量就是被用来重新发明积分。20 倍的分布内外误差差距收窄，比任何 FVD 分数都更能说明泛化。但必须把庆祝的音量调低：验证完全落在 PhyWorld 式白盒基准上，五个任务都是刚体质点级的简单动力学，与真实视频里的流体、布料、多物体接触、遮挡完全不在一个复杂度量级；红球到蓝方块的泛化确实漂亮，但那本质上是「外观换了、动力学同构」，并未证明它能外推到没见过的动力学类型。运动学积分假设状态可以被少数低阶导数良好描述，一旦遇到碰撞、断裂这类不可微事件，残差项还能不能兜住是未知的。此外它与主流视频扩散模型不是同类可替换品——143 倍加速的对照物是在白盒任务上的基线，不代表能接管开放域视频生成。它更应被读作一个强有力的存在性证明：外推是可能的，前提是别再让网络从零学积分。 2. Ex-Omni-2D：四卡四步推理让对话模型有形象 Ex-Omni-2D: Expressive Omni-Modal Dialogue Models with Native Visual Presence | 香港中文大学（深圳）·腾讯光子 | arXiv:2608.10720 ⚠️ 前序问题：全模态对话模型已经能理解多模态输入并合成语音回复，但这些回复在视觉上是「无身体」的——只有声音没有形象。要补上形象通路，最直接的做法是端到端监督，可这需要大规模的「查询-文本-语音-视频」四元组数据，现实中几乎无法收集。另一方面，流式增量生成还面临后段块质量累积退化的问题。 本文贡献：提出 Ex-Omni-2D，给定多模态查询、参考图像和参考音频，协同生成文本、个性化语音与参考条件视频三位一体的回复。模型先预测一个结构化的 Visual Thought Plan（VTP）描述场景、情绪与动作，再生成回复文本和原生多码本语音单元；这些语音单元构成共享的声学-时间接口，既解码为语音又与视频帧在线对齐。正是这个接口让回复通路与形象通路能各自从异质的语音、对话、形象视频数据中学习，从而绕开四元组大规模监督。全序列 Video Generator 作为主教师，进一步蒸馏成少步的块因果 Streaming Student，其 Prefix Streaming 机制把干净潜变量跨相邻块携带，抑制后段块的累积退化。 Overview of Ex-Omni-2D. Speech, text, and vision encoders provide multimodal context to the Large Language Model, which produces a non-user-facing Visual Thought Plan (VTP) and the user-facing response. The Speech Generator uses reference audio for voice conditioning and generates speech in a native multi-codebook space. The Video Generator encodes the reference image and VTP, and reuses the generated speech representation to synthesize the synchronized video response. It is instantiated as a full-sequence Teacher for primary realization and a distilled Prefix-Streaming Student for efficient incremental deployment. 实验效果：四步推理下，完整的四 GPU 流水线在 400×720 / 720×400 分辨率上达到端到端 RTF 1.293，提供了一个实用的质量-效率操作点。 Prefix-Streaming analysis. Top: representative later-chunk examples; each row shows the reference image, a no-prefix frame, and its Prefix-Streaming counterpart. Bottom: full-duration DINO curves over 200 paired CommonEval videos. Markers denote chunk means and shaded regions denote bootstrap uncertainty. Prefix is mixed over early chunks but degrades more slowly and is consistently better from chunk~9 onward, supporting a reduction in cumulative late-chunk subject drift rather than a uniform per-chunk improvement. 批判点评：这篇真正的巧劲不在多模态本身，而在于用「多码本语音单元」当作声学与时间的共享接口——这一步把数据需求从不可能的四元组降解成三堆各自都存在的现成数据，是全篇最具工程判断力的设计，也是同类工作最容易卡死的地方。VTP 显式写出场景/情绪/动作，等于把风格控制从隐式条件变成可检查的中间产物，调试友好。Prefix Streaming 承载干净潜变量以抑制后段退化，说明作者清楚流式生成的病根是误差累积而非单块质量。但要泼几盆冷水：RTF 1.293 意味着生成 1 秒内容需要约 1.29 秒，仍未跨过实时门槛，而这是在四张 GPU 上取得的——按单卡折算的成本相当高，离真实的交互式数字人部署还有距离；论文摘要只给了 RTF 这一个硬数字，语音自然度、唇音同步、身份保持、指令遵循等关键质量维度均无量化对照，「Expressive」这个卖点因此缺乏支撑；分辨率停在 400×720 这类竖屏小尺寸，也暗示更高分辨率下的开销尚未解决。此外教师-学生蒸馏引入的质量损失有多大、四步是否已是下限，摘要层面都没有交代。 3. AdvFD：对抗表征治好FD指标刷分症 AdvFD: Boosting Visual Generation via Adversarial Fréchet Distance Loss | 北京大学·快手可灵（KlingAI Research） | arXiv:2608.11205 ⚠️ 前序问题：Fréchet 距离近来成为生成器后训练中有效的分布级目标，可以补充传统的逐样本扩散与流匹配损失。但直接优化 Fréchet 目标会引发「Fréchet hacking」：目标指标持续改善，而视觉质量以及在其他特征空间下的 Fréchet 对齐却可能停滞甚至恶化。作者把这一失效归因于现有 Fréchet 损失所依赖的静态预训练特征空间——它对真实与生成分布之间的差异只提供了不完整且固定的视角，生成器于是学会往这个固定视角的盲区里钻。 本文贡献：提出 Adversarial Fréchet Distance（AdvFD），用一个经过校准的对抗学习表征来补充 FD-Loss 中的静态表征目标。AdvFD 在原有静态 Fréchet 目标之外增加一个可学习表征：该表征对抗性地最大化真实与生成样本之间的 Fréchet 差异，而生成器则在由此产生的自适应特征空间中最小化同一差异。为防止对抗表征通过特征幅值放大来平凡地抬高目标，作者进一步引入真实特征白化（real-feature whitening），归一化其尺度与协方差几何，稳定这一 min-max 优化。 Overview of our adaptive training. (a) In the G-step, the generator is updated to minimize the static Fréchet objective together with the adaptive Fréchet discrepancy, while both the static and adversarial representations are frozen. (b) In the D-step, the generator is frozen, and the adversarial representation is updated to maximize the Fréchet discrepancy between real and generated distributions. The two steps alternately improve the generator and adapt the representation to discrepancies missed by the fixed encoder. 实验效果：大量实验表明 AdvFD 在 JiT 与 pMF 两种骨干、以及不同模型规模上，都能一致提升一步生成器的后训练效果。 AdvFD mitigates Fréchet hacking in one-step generation. Top: Compared with JiT-L trained using the static FD loss, AdvFD generates cleaner and more coherent images under the same 1-NFE sampling budget. Bottom: AdvFD consistently reduces FD-r3 and FD-r6 across JiT-L and JiT-H, with relative improvements of 41.4%/38.0% and 34.0%/32.1%, respectively, showing that the gains persist as the generator scales up. These results demonstrate improved perceptual quality and generalization across evaluation representations. Lower is better for all metrics. 批判点评：这篇最有价值的贡献是把一个大家隐约感觉到但很少被正面命名的问题定义清楚了：指标一旦进入训练回路，就会被优化压力反向利用。「静态特征空间提供固定且不完整的视角」这个归因很到位——它解释了为什么 FD 越刷越好而人眼看着没变好，也顺带把「刷 FID 即进步」的行业习惯拖到了聚光灯下。real-feature whitening 这个细节尤其体现作者对 min-max 训练的实战理解：不加约束的对抗表征最省力的作弊方式就是把特征整体放大，白化直接封掉了这条路。局限也不难看出：引入对抗表征等于把一个稳定的分布级损失换成了 GAN 式的 min-max 优化，训练稳定性与超参敏感性天然变差，白化只是缓解而非根治，论文对失败模式与调参代价的交代不足；「一致提升」这类措辞在摘要中缺少具体数字支撑，读者无法判断增益是显著还是边际；验证骨干限于 JiT 与 pMF、场景限于一步生成器后训练，对多步扩散或视频生成是否同样奏效未知；更微妙的是，用对抗表征衡量的「改善」本身也是一个可被 hack 的目标，这个套娃问题论文并未回答。 4. Stream Forcing：统一训练轨迹让流式视频FVD降36.6% Stream Forcing: Constructing Unified Training Trajectory for Robust Streaming Video Generation | 华中科技大学·地平线·Anyverse Dynamics | arXiv:2608.10439 ⚠️ 前序问题：流式视频生成对世界建模潜力巨大——未来帧必须在线逐步推断以形成连续视频流。但流式视频扩散模型存在一个根本性的训推不匹配：推理遵循一种特化的去噪顺序，而先进的训练策略通常需要多样的噪声级配置。于是训推一致性与训练覆盖面成了一对只能二选一的矛盾。 本文贡献：把视频扩散采样重新表述为一个以帧为索引、在噪声级上的随机过程。在这个随机过程空间内构造一条连续的训练轨迹，沿该轨迹采样调度从独立采样逐步演化到与推理一致的采样，从而不再需要在两端之间做取舍。作者进一步引入联合校准算法与时间相关采样算法，以保证轨迹平滑性与跨帧相关性。基于这些设计提出 Stream Forcing，一个兼顾训练充分性与推理效率的流式视频生成统一训练框架。 Overview of the curriculum training. Our method builds a continuous curriculum transition between independent training and inference-aligned training that balances full distribution coverage with consistency at inference time. 实验效果：UCF-101 基准上 FVD 改善 36.6%；方法还能稳健地零样本外推到长时程视频生成，在 UCF-101 上 FVD 改善 27.9%。 Visualization of unconditional video generation on UCF-101 dataset. DF: Diffusion Forcing df. AR-D: AR-Diffusion ardiff. Our method presents higher visual quality and more robust long-horizontal extrapolation. 批判点评：把「训推一致性 vs 训练覆盖」这对二元对立改写成一条连续轨迹上的渐变，是个漂亮的问题重构——它承认两端都有价值，用课程式过渡取代硬性选边，本质上和退火、课程学习属于同一族智慧，但用在噪声级调度这个具体位置上是新的。36.6% 的 FVD 改善幅度不小，长时程零样本外推还能保住 27.9%，说明训练轨迹确实带来了泛化性而非仅仅拟合了评测设置。不过要打的折扣不少：UCF-101 是分辨率低、类别有限的老基准，在它上面的 FVD 增益能否迁移到 720p 开放域文生视频，完全无法从这篇推断，而流式生成的真实战场恰恰在后者；「联合校准」与「时间相关采样」两个算法被摘要一笔带过，它们各自贡献多少增益、引入多少训练开销，没有消融交代；连续轨迹意味着需要设计演化时间表，这又是一组新超参，敏感性未知。此外流式生成最该报的延迟、首帧时间、单帧算力等在线指标一个都没出现，「推理效率」的主张目前只有结构性论证而无实测支撑。 5. SparSTAR：免训练块稀疏注意力720p提速1.6倍 SparSTAR: Sparse Attention for SpaceTime AutoRegressive Video Synthesis | 西江大学（Sogang University） | arXiv:2608.10519 ⚠️ 前序问题：InfinityStar 通过图像金字塔与片段金字塔的序列把视觉自回归生成扩展到视频，但它不断变化的尺度与跨片段上下文让后期尺度的注意力开销高昂，也使得从扩散模型或图像 VAR 模型直接搬来的稀疏模式变得不可靠。 本文贡献：提出 SparSTAR，一种为该设定量身定制的免训练块稀疏注意力方法。在每个高开销尺度与每个注意力头上，SparSTAR 依据当前的 query 与 key 激活对连续的 key block 打分，保留必需的条件上下文，并通过一条仅前向的稀疏路径执行选中的块。作者系统分析了片段内的跨尺度一致性、跨片段边界的模式持续性，以及复用跨越越来越远尺度时的质量退化。这些分析一致表明重要 key block 会发生漂移，因此在每个目标尺度重新计算块选择比复用迁移来的 mask 更可靠。 Overview of SparSTAR, a training-free block-sparse attention framework for video autoregressive generation that reduces attention latency while maintaining video quality. 实验效果：在 720p 文生视频与图生视频上，SparSTAR 保留了全部 token 与精修尺度，提供约 1.6 倍端到端加速，同时 VBench 分数与配对输出重建保真度接近稠密的 InfinityStar。 PSNR--latency trade-off for recalibration frequency on 720p T2V. Error bars denote 95% confidence intervals for PSNR across five seeds. 批判点评：这篇的贡献首先是一个诚实的否证：它没有先摆出方法再补实验，而是先系统测量「从别处迁移来的稀疏 mask 在变尺度自回归结构下到底能不能用」，得到的答案是不能——重要 key block 会随尺度漂移。这个结论比方法本身更有传播价值，因为当前有相当多加速工作默认稀疏模式具备跨设定可迁移性。免训练、仅前向、保留全部 token 与全部精修尺度这几条约束定得很克制，意味着它可以直接挂到现成模型上而不牵动生成质量的责任边界，工程可用性高。但天花板也被这份克制锁死了：1.6 倍加速对视频生成的实际体感改善有限，距离能改变产品形态的量级尚远；方法与 InfinityStar 的金字塔结构深度绑定，对当下更主流的视频 DiT 是否适用没有讨论，通用性存疑；每个尺度重新打分本身要花算力，摘要只说「保真度接近」，这类模糊表述掩盖了具体的质量损失幅度，而稀疏注意力最该担心的正是长时程一致性这种在 VBench 上不易暴露的退化。此外单一机构、无顶会标注、缺少与 SVG、SpargeAttn 等同类稀疏注意力方法的横向对比，也让它的相对位置不好判断。 6. Latent-to-4D：绕过RGB用视频潜变量直出4D Beyond Pixels: From Video Priors to 4D Worlds | 浙江大学 ReLER·CCAI | arXiv:2608.10744 ⚠️ 前序问题：4D 生成要从文本或图像等条件合成动态 3D 场景。现有方法分两派：一派把生成好的 RGB 视频再用一个独立的 4D 模型去重建，另一派改造某个特定视频生成器让它直接预测几何。前者受分布不匹配与误差传播之苦——视频生成器的输出分布并非 4D 重建模型所期望的输入分布；后者则把 4D 预测绑死在特定生成器上，生成器或条件方式一变就可能要重训。 本文贡献：作者提出一个新问题：共享同一个 VAE 的视频模型，其最终去噪潜变量能否充当通往显式 4D 预测的可复用接口？基于这一洞察提出直接的潜变量到 4D 生成，并实例化为 Latent-to-4D：它绕过 RGB，把视频潜变量与预训练 4D 解码器的 token 网格对齐，再通过逐帧与全局时空注意力加以精修。仅用约 1K 现有重建片段训练，单个 checkpoint 就能在同一 VAE 家族内的多个视频扩散 Transformer 之间原样迁移，无需重训。 Latent-to-4D training pipeline. A frozen video VAE encodes an observed video into a VAE-space latent. L4AR aligns the latent grid through a learned 3D convolution, reuses frozen camera and time tokens, and refines the representation through alternating frame-wise and global attention. The 4D decoder predicts cameras and dynamic world-space geometry. 实验效果：在 Text4D-200 与 I4D-200 上，Latent-to-4D 在基于投影的 DINO-F1 指标上分别超过同潜变量的 Wan+4RC 级联 2.88–3.45 与 5.81 点，并在几何、时间稳定性与整体质量上更受人类评审者青睐。 Image-to-4D comparison. Each row shows the input condition and 4D results. RGB baselines reconstruct the decoded video, whereas Ours consumes its terminal latent directly. 批判点评：「把共享 VAE 的潜变量当作跨模型可复用接口」这个提法很有工程审美——它没有再造一个更大的 4D 生成器，而是在既有生态里找到一个天然存在却被忽视的对接面，顺手解决了级联方案的分布不匹配和专用方案的绑定问题。约 1K 训练片段、单 checkpoint 跨多个视频 DiT 原样迁移，这个数据效率与复用性在 4D 生成里相当难得，也说明潜变量确实承载了足够的几何信息，RGB 那一步真的是多余的信息瓶颈。但边界必须说清楚：可迁移性严格限定在「同一 VAE 家族」内，一旦 VAE 换代或换厂，接口即失效，这与其宣称的通用性之间存在张力，且视频模型的 VAE 恰恰是迭代很快的部件；2.88–5.81 点的 DINO-F1 增益是相对同潜变量的 Wan+4RC 级联，属于自设对照，未与更强的专用 4D 生成方法正面比较；投影域的 DINO-F1 本身是间接指标，无法直接反映几何精度，人类偏好评测又缺样本量与统计显著性说明。此外训练依赖预训练 4D 解码器，其能力上限就是整套方案的上限，动态范围、拓扑变化剧烈的场景表现如何未见交代。 7. MeanSR：一步超分免蒸馏直接学平均速度场 MeanSR: Restoration Trajectory Learning for One-Step Perceptual Super-Resolution | 西北工业大学 | arXiv:2608.09405 ⚠️ 前序问题：基于扩散的超分能获得强感知质量，但需要昂贵的迭代去噪。现有一步蒸馏方法虽然压缩了推理时间，却依赖昂贵的预训练教师模型；代表性方法 CTMSR 通过 PF-ODE 一致性训练避开了蒸馏，但它只是约束网络行为，并没有显式建模从低分辨率输入到高分辨率图像的那个修复动力学过程。 本文贡献：提出 MeanSR，一种一步感知超分方法：学习一个以低分辨率图像为条件的平均速度场，直接刻画从退化或带噪输入到合理高分辨率输出的有限时间转移。平均速度与瞬时速度之间的关系本身即提供直接的训练信号，同时保留单步推理。作者进一步把分布轨迹匹配目标重新表述以适配平均速度生成，并引入阶段感知的时间采样（Stage-Aware Temporal Sampling）策略改进轨迹学习。 Overview of the proposed MeanSR framework. Stage 1 estimates an LR-conditioned restoration trajectory by predicting its average velocity under the MeanFlow formulation, while Stage 2 further aligns the generated restoration trajectory with the real HR trajectory through distribution trajectory matching. The proposed Stage-Aware Temporal Sampling (SATS) assigns different temporal distributions to trajectory estimation and trajectory alignment, respectively. 实验效果：在合成与真实世界基准上，MeanSR 在 CLIPIQA、MUSIQ、MANIQA 三项感知指标上均优于 CTMSR，同时显著降低 FLOPs 与推理延迟；重建出的结构更锐利、纹理更真实，感知伪影更少。 Comparison of representative one-step super-resolution methods. The x-axis denotes CLIPIQA, the y-axis denotes inference runtime, and the bubble size represents FLOPs. MeanSR achieves a favorable trade-off between perceptual quality and computational efficiency. 批判点评：这篇的定位很清楚：把 MeanFlow 那套「学平均速度场」的思路搬到超分，从而在免蒸馏的前提下把修复过程本身建模出来，而不是像 CTMSR 那样只用一致性去间接约束网络行为。这个区分是有实质的——显式的有限时间转移让训练信号直接指向「从退化态到清晰态该怎么走」，也自然解释了为何能同时改善质量并降低 FLOPs。摆脱教师模型对下游落地的意义同样实在，省掉的是一整套预训练成本。但它的贡献属于路径迁移而非原理创新，MeanFlow 的核心恒等式并非本文所出，主要工作是条件化与采样策略适配。评估层面问题更明显：三项指标 CLIPIQA/MUSIQ/MANIQA 全是无参考感知指标，众所周知偏好锐利与高对比，缺少 PSNR/SSIM/LPIPS 的配套报告，无法排除「感知分上去了但保真度掉了」这种典型的一步超分退化；主要对照仅 CTMSR 一家，未与 OSEDiff、SinSR 等一步扩散超分做完整横比；论文标注为投稿 AAAI 2027、仅 7 页，尚未经同行评审，Stage-Aware Temporal Sampling 的消融强度也难以从摘要判断。 8. ATDEdit：免掩码异步解码编辑达27.44dB Diffusion Image Editing via Asynchronous Token Decoding | 广东工业大学·香港浸会大学·北京大学·惠州学院 | arXiv:2608.09322 ⚠️ 前序问题：文本引导的扩散图像编辑要在修改语义属性的同时保住身份、布局与背景。但采样过程中简单地切换文本条件往往引起全局漂移——去噪动力学会把改动沿 token 传播开，进而破坏本不该改的区域。现有方案通常依赖外部或用户提供的空间掩码，或者需要微调模型。 本文贡献：提出 ATDEdit（Asynchronous Token Decoding Edit），一个推理期框架：把采样器的每一步视为对一个全局耦合 token 矩阵的并行更新，从而支持按 token 索引切换条件并施加差异化的更新策略。它不对所有 token 同步施加目标条件更新，而是用逐 token 的条件意外度（conditional surprisal）估计可编辑位置，仅对选中的 token 集合施加目标条件修正；在保留 token 位置提供源 key/value 记忆，并把选中的保留 token 潜变量行回投到其源值。这些操作促进背景保持，但作者明确声明其不构成像素级不变性保证。整套方法无需外部或用户提供的空间掩码，也无需模型微调。 Overview of ATDEdit for transforming a fox into a dog. (Top) Same-state source/target evaluations produce Token-wise Conditional Surprisal and an editable-token mask. (Bottom) Target-conditioned corrections are applied to editable tokens, while source key/value memory and hard projection constrain selected keep-token rows. 实验效果：在 PIE-Bench 上，ATDEdit 取得该基准上已报告的最强保持性指标，包括 27.44 dB PSNR 与 0.055 LPIPS，同时保持有竞争力的语义对齐。已被 ACM MM 2026 接收。 Comparison of edited results. Real images are in the first column. 批判点评：用「条件意外度」在推理期自动划定可编辑 token，是这篇最漂亮的一笔——它把「哪里该改」从需要人工掩码或额外分割模型的外部输入，转成模型自身条件响应差异的内生信号，免训练、免掩码这两个属性叠加起来带来的实用性相当高。更值得称赞的是学术诚实度：论文明确写出这些操作「促进背景保持但不构成像素级不变性保证」，在一个惯于把机制性偏好包装成理论保证的领域，这种自我设限反而提升了可信度，也准确点出了本方法的性质——它是软偏置而非硬约束。27.44 dB / 0.055 LPIPS 的保持性数字确实扎实。但需要警惕保持性与编辑力度的天然此消彼长：保持性做到基准最强，而语义对齐只被描述为「有竞争力」，这个措辞差异很可能意味着在需要大幅改动的编辑任务上它偏保守；意外度阈值 ρ(t) 是核心超参，其跨图像稳健性与失败模式摘要未交代，若阈值偏保守则编辑区域覆盖不全，偏激进则退回全局漂移；PIE-Bench 单一基准也不足以覆盖真实编辑意图的多样性，尤其是涉及大范围结构变化或多对象组合的情形。 9. CtrlSpeech：音素级控制音高音量与时长 CtrlSpeech: Coarse-to-Fine Control for Expressive Speech Synthesis | 德克萨斯大学奥斯汀分校·Amazon | arXiv:2608.08362 ⚠️ 前序问题：近来的 TTS 系统已实现很强的自然度与零样本音色克隆，但在词级或音素级上对富有表现力的语音做细粒度控制仍然困难——用户能换音色，却很难精准指定某个字要更重、更高或拖得更长。 本文贡献：提出 CtrlSpeech，一个具备由粗到细控制能力的可控表现力 TTS 框架。它构建在 DiTAR 架构之上，把全局说话人条件与音素对齐的音高、音量、时长信号结合起来，从而在保留目标说话人音色的同时实现局部韵律控制。这一设计让用户能在很细的时间粒度上调整表现力属性，使语音精修更灵活可控。 The architecture of . 实验效果：实验表明 CtrlSpeech 在零样本 TTS 上取得有竞争力的表现，并改善了对表现力属性的可控性，验证了其在灵活实用的表现力语音合成上的有效性。已被 Interspeech 2026 接收，Demo、代码与模型权重均已公开。 Coarse-to-fine speech control pipeline. 批判点评：把控制信号锚定在音素级的音高、音量、时长三元组上，是个务实到近乎朴素的选择，但恰好对上了配音、有声书这类真实生产流程的操作直觉——从业者要的正是「这个字重读一点」，而不是再来一个模糊的情绪标签。全局说话人条件与局部韵律控制解耦，保证了调韵律不串音色，工程上很关键。Demo、代码、权重三件套齐放，在 TTS 这个复现门槛偏高的方向里是实打实的加分项。但这篇的定位应当被诚实地看作扎实的增量工作而非突破：音素级韵律控制在 FastSpeech 2 时代就是标准配置，本文的实际贡献更像是把这套显式控制接口迁移并适配到 DiTAR 这个较新的自回归-扩散混合架构上；摘要通篇没有一个具体数字，「有竞争力」与「改善了可控性」这类表述无法支撑与 CosyVoice、F5-TTS 等主流系统的强弱判断；控制粒度也仍停在音高/音量/时长这些声学低层属性，对情绪、语气、口音等更高层表现力维度没有覆盖。此外六页的 Interspeech 短文体量，注定其消融与主观评测的深度有限。 10. Sci-VBench：16个前沿模型科学因果全线不及格 Sci-VBench: Evaluating Knowledge- and Reasoning-Intensive Video Generation in Science Domains | 浙江大学·中国科学院大学·同济大学·耶鲁大学 | arXiv:2608.09873 ⚠️ 前序问题：视频生成模型的视觉真实度进步很快，但它们是否真的掌握了科学知识与因果动力学，一直缺少有效的衡量方式。现有评测大多停留在表层视觉合理性，无法区分「画面看起来对」与「物理与科学过程真的对」。 本文贡献：提出 Sci-VBench，一个评测跨科学领域的知识密集与推理密集视频生成的综合基准。它包含 1,253 条专家标注样例，覆盖自然科学、健康医疗、人文社科、工程四大学科下的 60 个学科方向。每条样例都要求模型生成在时间上信息丰富、需要科学推理与知识落地的视频，而非仅有表层视觉合理性。作者进一步建立了基于评分细则（rubric）的评测协议，并验证在该协议下非专家人类评审者与 MLLM-as-Judge 系统都能与专家判断达成较高一致，从而支撑可规模化的可复现评测。 Overview of the dataset. Top left: distribution of the expert-annotated examples over subjects across core disciplines. Remaining panels: representative prompt--video examples from each discipline, generated by Gemini-Omni-Flash, where faithful generation requires grounding in the underlying scientific mechanism. 实验效果：对 16 个前沿闭源与开源模型的评测显示：自动感知质量分数在各系统间挤成一团，而在提示词落地（Prompt Grounding）以及科学与因果正确性上的表现差异显著，闭源与开源之间存在明显差距。这表明视觉真实度的进步尚未转化为对科学与因果动力学的可靠建模。已被 COLM 2026 接收。 Overview of the benchmark construction process. 批判点评：这篇的核心发现极具诊断价值：感知质量分数在 16 个模型间几乎无法区分，而科学与因果正确性上分差巨大——这直接说明当前主流视频生成评测已经饱和失效，大家在一个分辨不出好坏的维度上继续内卷。rubric 协议加上「非专家与 MLLM-as-Judge 都能对齐专家判断」的验证，是这类主观性强的基准最该做却常被省略的一步，它把可规模化评测的成本问题真正解决了。1,253 条专家标注、60 个学科的覆盖面也称得上扎实。作为评测工作，它的价值恰好与今天的 LDR 形成呼应：一个证明外推是可能的，一个证明现有模型普遍做不到。局限主要在方法论固有处：MLLM-as-Judge 与人类专家「较高一致」是在这套 rubric 下成立，一旦作为主要评分手段大规模使用，就存在被针对性优化的风险，届时它会重演今天感知指标的命运；四大学科 60 方向的样例分布必然不均，摘要未交代各领域样本量，跨领域分数可比性存疑；「科学正确性」在很多场景下需要专业判断，rubric 能否覆盖领域细微差别仍待检验。此外基准只能揭示差距而不提供改进路径，闭源领先的具体成因（数据、规模还是后训练）无法从中推断。 趋势观察 世界模型的评判标准从「像不像」转向「外推得出来吗」 — 今天最值钱的一篇是 UCSD 与 Adobe 的 LDR。它把一个长期被含糊处理的问题摆到台面上：主流视频扩散模型是在拟合像素，而不是在建模像素如何随时间转移，所以它们能渲染出视觉上合理的帧，却未必真的遵守运动定律。LDR 的做法很硬核——把潜空间的状态转移显式写成运动学积分，低阶动力学（速度、加速度）直接数值积分算出来，网络只负责回归三阶及以上的残差项。这等于把物理先验从「希望模型自己学到」变成「架构层面直接给定」。效果上，分布内与分布外误差的差距比视频扩散基线小了 20 倍以上，参数量少 26 倍、速度快 143 倍；只用红球从左往右运动训练，却能正确预测蓝色方块从右往左的运动。作者称这是首个能把学到的动力学外推到训练分布之外的视频世界模型。这条线索的意义在于，它把世界模型的验收标准从「生成质量」拽回到「泛化到没见过的物理配置」，也预示配套评测会跟着变——同一天浙大与耶鲁的 Sci-VBench 正好给出了另一个佐证：视觉真实度分数在 16 个前沿模型间挤成一团，而「提示词落地」与「科学因果正确性」的分差却很大，说明画面变好并没有自动带来对科学与因果动力学的可靠建模。 生成模型的训练目标本身正在被重新审计 — 北大与快手可灵的 AdvFD 指出一个很扎心的现象——「Fréchet hacking」：用 Fréchet 距离做生成器后训练时，目标指标一路走高，但视觉质量和在其他特征空间下的 Fréchet 对齐却可能停滞甚至变坏。根因是现有 FD-Loss 依赖静态的预训练特征空间，它对真实与生成分布之间差异的观察视角是固定且不完整的，于是生成器学会了往这个固定视角的盲区里钻。AdvFD 的解法是给静态目标补一个对抗学出来的表征：判别侧最大化该表征下的 Fréchet 差异、生成侧最小化同一差异，并用真实特征白化把它的尺度与协方差几何归一，防止对抗表征靠单纯放大特征来虚增目标。这类工作和「刷 FID 就等于变好」的旧习惯正面冲突，提醒我们指标一旦进入训练回路就会被优化压力反向利用。今天的 ATDEdit 从另一头呼应了同一种审慎——它明确声明自己的 KV 记忆与潜变量回投「促进背景保持，但不构成像素级不变性保证」，在一个人人爱声称 SOTA 的领域里，把话说到这个精度反而更可信。 视频推理加速开始区分「训练-推理对不齐」和「算力花在哪」两类病 — 今天有两篇从不同层面攻视频生成的效率。华科与地平线的 Stream Forcing 处理的是流式视频扩散的结构性顽疾：推理必须按一个特化的去噪顺序逐帧在线推进，而先进训练策略又需要多样的噪声级配置，两者天然冲突——训练覆盖面和训推一致性只能二选一。它把视频扩散采样重写成一个以帧为索引的、在噪声级上的随机过程，然后在这个过程空间里构造一条连续训练轨迹，让采样调度从独立采样平滑演化到与推理一致的采样，UCF-101 上 FVD 改善 36.6%，长视频零样本外推再改善 27.9%。Sogang 大学的 SparSTAR 走的是另一条路——不动训练，只在推理时省算力：它发现从扩散或图像 VAR 模型搬来的稀疏注意力模式在 InfinityStar 这种「图像金字塔 + 片段金字塔」的变尺度结构下并不可靠，重要的 key block 会随尺度漂移，所以每到一个目标尺度就重新算一次块选择，比复用迁移来的 mask 稳得多，720p 端到端约 1.6 倍加速且不丢 token 与精修尺度。一个改训练轨迹、一个改推理时的块选择，共同点是都先诚实地承认了「照搬别处的经验在这里会失效」。 少步化从图像生成蔓延到修复类任务，路径也从蒸馏转向直接学速度场 — 西北工业大学的 MeanSR 是个值得注意的信号：一步感知超分不再依赖昂贵的预训练教师做蒸馏，而是学一个以低分辨率图像为条件的平均速度场，直接刻画从退化/带噪输入到合理高分辨率输出的有限时间转移。这条路子承自 MeanFlow 一脉——平均速度与瞬时速度的关系本身就能提供训练信号，从而在保留单步推理的同时绕开教师模型。它对标的 CTMSR 虽然也免蒸馏，但只靠 PF-ODE 一致性约束网络行为，并没有显式建模支配修复过程的那个场。结果是 CLIPIQA/MUSIQ/MANIQA 全面超过 CTMSR，同时 FLOPs 与延迟大幅下降。把它和 AdvFD 放在一起看会更有意思：两者都在追问「我们到底该让生成器拟合什么」——一个说该拟合自适应的分布差异，一个说该拟合有限时间的平均速度场，而不只是逐样本的去噪方向。 端到端多模态交互的落地瓶颈，正从「能不能生成」变成「能不能流着出」 — 香港中文大学（深圳）与腾讯光子的 Ex-Omni-2D 挑明了当前全模态对话模型的一个体感缺陷：它们能理解多模态输入、能合成语音回复，但回复在视觉上是「无身体」的。它让模型先产出一个描述场景、情绪、动作的结构化 Visual Thought Plan，再生成回复文本与原生多码本语音单元，而这些语音单元同时充当共享的声学-时间接口，一边解码成语音、一边在线对齐视频帧——这个设计的实际价值是让回复通路与形象通路可以各自从异质的语音、对话、形象视频数据中学习，避开了「查询-文本-语音-视频」四元组大规模标注这个几乎不可能满足的前提。真正的工程含金量在流式那一步：把全序列视频教师蒸馏成少步的块因果 Streaming Student，用 Prefix Streaming 把干净潜变量跨块携带下去，抑制后段块的累积退化，四步推理、四卡在 400×720 下达到端到端 RTF 1.293。RTF 略大于 1 说明还不算真正实时，但已经把这条链路推到了可以谈产品化的操作点上。 人工智能炼丹君 整理 | 2026-08-13 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-07-29|Apple端侧Siri语音16倍实时仅21MB 今日 AIGC 论文速览 今日共 10 篇 · 端侧音频与数字人生成 2 篇 · 视觉生成推理加速 2 篇 · 可控视频编辑与专业评测 3 篇 · 全模态表示与扩散蒸馏 2 篇 · 视频模型视觉推理 1 篇 重点论文标题列表 Apple Audio DiT（Apple）：端侧Siri语音16倍实时仅21MB Sol-Attn（NVIDIA）：在线稀疏注意力让视频快2.3倍 UniGen-AR（CMU·UIUC·Toyota Research）：一个自回归模型做15项视觉任务 AptAvatar（阿里淘天）：14B数字人两步720P提速60倍 EgoPlay（Snap·KAUST）：看到事件发生后才开始编辑视频 今日论文速览 1. Apple Audio DiT：端侧Siri语音16倍实时仅21MB Memory Efficient Audio Synthesis with Decoupled Temporal Depth Diffusion Transformers | Apple | arXiv:2607.23811 关键词：端侧TTS,Siri,音频DiT,RVQ,Apple 前序问题：Siri Expressive Voices要在设备上实时生成可配置、富表现力的语音，但语义音频token转高保真波形的detokenizer受AMX算力和内存严格限制。传统Transformer或GAN随序列长度线性甚至平方增长，难以持续合成长音频。 本文贡献：Apple提出解耦时间与RVQ深度的三组件架构：流式编码器、时间解码器和深度解码器。单个可复用的DiT式深度解码器通过stage conditioning自回归生成全部RVQ层，取代每层一个解码器；因果滑窗注意力配合固定窗口KV缓存，使运行内存不随语音长度增长。 实验效果：部署在Apple Matrix Coprocessor上，每步约10ms、约16倍实时，峰值运行内存仅21MB，端侧资产329MB，可连续合成20到320秒音频。AFM 3 Core Advanced中以10亿参数激活规模运行，相比上一代端侧TTS，整体MOS从3.87升至4.15，对话语音从3.82升至4.24。 批判点评：这是今日最强工业落地：Apple不仅给结构，还给AMX上的时延、内存、资产和MOS，证明十亿级音频生成可真正驻留端侧。代价是方案深度绑定Apple硬件与AFM token体系，16倍实时不能直接外推到通用CPU/GPU；320秒以上稳定性和多语言覆盖也未披露。 2. Sol-Attn：在线稀疏注意力让视频快2.3倍 Sol-Attn: Accelerating Video Generation Inference via On-the-Fly Attention Sparsification | NVIDIA | arXiv:2607.24027 关键词：稀疏注意力,视频生成,NVIDIA,免训练,推理加速 前序问题：视频DiT的长token序列让注意力成为推理瓶颈。现有免训练动态稀疏要么固定保留比例、要么按累计概率动态分配，路由预算僵硬或失衡，还要显式生成代理分数图；直接丢掉未选块则在高稀疏率下明显伤质量。 本文贡献：提出免训练Sol-Attn，将动态路由、稀疏计算与近似修正合进同一次online softmax。在线块阈值直接比较代理分数选关键KV块，不物化完整代理图，预算动态且可控；未选块的代理分数被复用来近似其贡献，避免keep-or-drop造成的信息断崖。 实验效果：在保持视觉质量的同时，视频生成端到端提速2.1倍、视频编辑提速2.3倍，并在图像与视频任务上推进免训练稀疏注意力的质量—效率前沿。 批判点评：Sol-Attn的价值不只是稀疏，而是把路由开销和遗漏补偿塞进online softmax一遍完成，NVIDIA背景也意味着内核可落地。但提速依赖模型、序列长度和阈值；代理分数对被丢块的近似在快速运动、小目标或精细文字场景中仍可能失真。 3. UniGen-AR：一个自回归模型做15项视觉任务 UniGen-AR: Unifying Visual Generation with Auto-Regressive Modeling | CMU·UIUC·Toyota Research | arXiv:2607.24157 关键词：统一视觉生成,自回归,VAR,MLLM,VQ-VAE 前序问题：文生图、编辑、修复和传统感知仍由不同模型负责；扩散虽能统一多种图像输出，但迭代采样延迟高，限制统一视觉生成在交互场景落地。 本文贡献：提出UniGen-AR，将通用MLLM与next-scale视觉自回归(VAR)解码器结合。MLLM把自由文本指令和控制信号编码为统一序列，VAR用一套权重和统一提示接口生成图像输出，覆盖四大家族15项以上任务且无需任务专用头。消融指出VQ-VAE码本大小和层级是VAR扩展的关键。 实验效果：相对扩散基线推理延迟最多降低19倍，同时保持或提升输出质量；单模型覆盖文生图、图像编辑、修复、感知等15项以上任务。 批判点评：用VAR替代扩散解码器，把统一视觉生成的效率问题正面解决，19倍延迟优势非常醒目。但自回归速度会受视觉token数量影响，VQ-VAE码本带来的量化误差仍在；15任务统一不等于每项都超过专用SOTA。 4. AptAvatar：14B数字人两步720P提速60倍 AptAvatar: Fast and Vivid Long-Form Audio-Driven Video Generation for Production-Ready Avatars | 阿里淘天 | arXiv:2607.24013 关键词：数字人,音频驱动,两步生成,分布蒸馏,阿里 前序问题：生产级音频驱动数字人既要快，又要保持身份、动作表现力和长视频稳定。现有加速常靠因果注意力、短时间窗、缩小模型或分辨率换速度，在极端两步生成时质量尤其容易塌。 本文贡献：提出14B长视频数字人AptAvatar。端点锚定分布蒸馏在普通DMD外加入Anchor Score Estimator，用冻结四步桥接生成器定义可达到的轨迹端点，指导两步学生；Self-Generated History Replay复用早期checkpoint输出作为分块训练历史，近似推理时自生成上下文而无需昂贵在线rollout。 实验效果：仅2次函数评估即可生成720P长视频数字人，推理提速60倍，同时保持视觉保真、鲜活动作、长时身份一致和文本动作控制。 批判点评：14B、720P、两步和60倍同时成立，说明淘天已瞄准直播与营销生产链。端点锚降低了两步蒸馏难度，但训练依赖四步桥接器和历史checkpoint缓存，流水线并不轻；摘要也未给绝对FPS，生产“实时”仍需硬件数据。 5. EgoPlay：看到事件发生后才开始编辑视频 EgoPlay: Event-Triggered Video Editing for Egocentric Streams | Snap·KAUST | arXiv:2607.24560 关键词：视频编辑,事件触发,第一视角,Snap,流式生成 前序问题：第一视角连续视频需要“当X发生时再做Y”，模型既要识别事件发生与否和时刻，又必须完整保留事件前画面、只改后续。检测器串联编辑器容易误触发并产生误差传递。 本文贡献：提出端到端事件触发V2V编辑器EgoPlay，在一个视频扩散模型中联合学习事件识别、时间克制和像素编辑，支持未发生事件与多事件提示。团队构建10.6万组事件触发片段—提示数据，训练双向编辑器并导出可逐块流式推理的因果版本；评测拆分触发后质量、触发前保持和假触发鲁棒性。 实验效果：相对EgoEdit，编辑质量、视觉质量和背景一致性分别提升17.7%、16.9%、16.4%；相对VLM检测器+编辑器串联基线分别提升15.7%、14.5%、13.5%，GPU内存还不到其一半。 批判点评：EgoPlay把视频编辑从“全片执行指令”升级为事件驱动程序，对AR眼镜和第一视角Agent很关键。风险是模型同时承担检测与生成，触发判断难单独校准；Ego4D里的事件覆盖有限，安全敏感场景不能只依赖生成模型自判。 6. FilmBench：电影学院用专业镜头语言重测视频模型 FilmBench: A Film-Grade Benchmark for Cinematic Video Generation | 阿里·北京电影学院·虎鲸文娱 | arXiv:2607.24241 关键词：视频评测,电影语言,多镜头,阿里,FilmOps 前序问题：多数视频生成基准用网页或LLM提示，并由通用多模态模型打总体画质、文本一致和流畅度，测到的是“像视频”，而非导演真正关心的镜头设计、动态美学和多镜头叙事。 本文贡献：提出电影级T2V/R2V基准FilmBench，与导演、北电教师和制片团队共同设计。1169条提示反推自20类获奖电影片段，其中1056条为多镜头真实shot list；评价体系含3轴、12组件、T2V 35项加R2V 3项子指标，并开放电影语言算子FilmOps和专家级自动评测Agent。 实验效果：评测9个T2V和7个R2V模型，自动评测对人类模型排名的Spearman相关分别达0.95和0.96。现有模型在动态美学上普遍不足，且从单镜头到多镜头性能明显下降，弱模型跌幅更大。 批判点评：FilmBench把视频评测从VBench式通用指标拉到专业电影语言，是生成视频走向影视生产的重要基础设施。但获奖电影反推提示可能偏向成熟电影美学，自动Agent即使排名相关高，也不代表每个镜头级解释都可靠；版权与参考片段可复现性同样重要。 7. OmniVAE：音视频VAE先对齐再联合生成 OmniVAE: An Audio-Video VAE with Cross-Modal Alignment for Joint Generation | 复旦·上海创新院·MOSI·上交 | arXiv:2607.23855 关键词：音视频生成,VAE,跨模态对齐,复旦,全模态 前序问题：联合音视频生成通常分别训练音频VAE和视频VAE，两套潜空间没有细粒度对应，下游生成器不得不从零学习“哪个画面该配哪个声音”，增加同步学习难度。 本文贡献：提出联合训练的OmniVAE。除重建目标外，以片段级音视频对比学习捕获时间—语义对应并对齐潜空间；同时把预训练音频和视频语义编码器特征分别蒸馏进对应潜变量，让两种表示既保留重建能力，又更容易被下游联合生成模型学习。 实验效果：两种对齐目标持续提升潜空间可学习性，使下游文生音视频获得更高生成质量与更准确跨模态同步，验证统一表征应从VAE底座开始。 批判点评：多数工作把同步压力全留给生成DiT，OmniVAE提前在tokenizer阶段对齐，方向很对。但对比目标可能把音画关系压成粗语义相似，口型、碰撞声等毫秒级同步仍需生成器建模；联合VAE也会降低替换单一模态编码器的灵活性。 8. PDM：拆开CFG正负分支修复扩散蒸馏 Rethinking Classifier-Free Guidance in On-Policy Diffusion Distillation | 阿里通义千问 | arXiv:2607.24731 关键词：扩散蒸馏,CFG,在线策略,PDM,视频控制 前序问题：在线策略扩散蒸馏通常直接匹配教师与学生经CFG合成后的速度，但这个总目标无法唯一约束正、负两个分支：两边误差可互相抵消。当教师负分支含学生拿不到的特权信息时，正分支变好反而会伴随负分支恶化。 本文贡献：论文将该失败模式命名为负分支不对称(NBA)，并提出分支感知的Positive-Direction Matching(PDM)：分别约束正条件预测与CFG条件方向，使监督可识别，不再让合成结果掩盖分支错误。方法用于从稠密到稀疏的视频控制蒸馏。 实验效果：朴素CFG匹配对推理guidance scale高度敏感，PDM在不同引导尺度下实现更稳健、有效的知识迁移，修复教师负分支存在特权条件时的对抗误差动态。 批判点评：它揭示了一个容易被总loss掩盖的蒸馏病灶：CFG结果对了，不代表两个分支学对了。分析价值高于单项榜单。不过当前验证集中在稠密到稀疏视频控制，PDM对文生图少步蒸馏、不同负提示schema的普适性仍需实证。 9. VIPE：先改输入图片再让视频模型推理 Visual Prompt Engineering for Video Models | Google DeepMind | arXiv:2607.25537 关键词：视觉提示工程,视频模型,视觉推理,Google DeepMind,图像编辑 前序问题：视频生成模型正成为视觉推理基础模型，但用户仍主要优化文字提示。对于迷宫、物理轨迹等任务，原始抽象图像可能不符合模型训练分布，仅改文字无法消除视觉输入本身的表达障碍。 本文贡献：提出视觉提示工程VIPE：调用图像编辑模型自动修改任务图像的呈现方式，例如把抽象草图转成写实场景，再交给视频模型推理。它不改目标问题，只优化视觉prompt，使输入更贴近视频模型容易理解和模拟的分布。 实验效果：VIPE在多种任务上提升视频模型视觉推理，效果甚至可超过传统文本提示工程和测试时扩展，且额外计算较低。 批判点评：“不是改问题文字，而是改给模型看的世界”是很有启发的提示工程范式，Google DeepMind视频模型背景也值得关注。但编辑器可能偷偷改变物理条件或答案线索，提升不一定来自更强推理；必须验证语义与几何约束在改图前后严格等价。 10. TriLayer：视频扩散直接生成可编辑RGBA图层 Explicit Layer Modeling for Video Object Insertion and Layer Decomposition | POSTECH | arXiv:2607.25802 关键词：视频编辑,RGBA,图层分解,物体插入,扩散模型 前序问题：多数视频编辑没有显式图层表示，物体插入、复用和后期调整只能隐式推断或逐场景优化。缺少前景RGBA监督，也让阴影、反射等伴随视觉效果难与背景正确合成。 本文贡献：构建TriLayer大规模三元视频数据，逐帧对齐合成画面、背景和含物体外观及视觉效果的前景层。基于此提出双分支DBL-Diffusion，通过共享去噪和跨分支交互联合建模RGB合成与RGBA前景；DBL-Insert生成可后期编辑的插入图层，DBL-Decompose恢复前景与背景。 实验效果：显式图层建模显著提升视频物体插入保真度和图层分解质量，并让生成结果可用于真实合成与灵活后期修改。 批判点评：从最终RGB转向可编辑RGBA资产，是视频生成接入专业后期管线的重要一步。难点在于TriLayer数据如何获得真实透明度和复杂光效监督；半透明、运动模糊、反射及跨层光照很难被单一RGBA层完整表达。 趋势观察 生成模型开始进入端侧十亿参数时代 — Apple在AMX上以21MB峰值内存运行十亿参数激活规模音频生成，达到16倍实时；端侧生成竞争从小模型转向架构与硬件协同。 视觉生成加速分化为稀疏与自回归两条路线 — Sol-Attn用在线稀疏让视频编辑快2.3倍，UniGen-AR以VAR替代扩散让统一视觉任务延迟最多降19倍，计算范式本身成为核心变量。 视频产品同时追求极少步与事件驱动 — AptAvatar把14B数字人压到两步并提速60倍，EgoPlay则只在事件发生后编辑；视频生成正从整段离线采样走向低延迟、条件触发的连续服务。 评测和输出格式开始对接专业生产 — FilmBench用电影学院镜头语言重测模型，TriLayer直接生成RGBA图层；行业关注点从画面像真转向镜头设计、资产复用和后期可编辑性。 统一模型向底层表征与视觉提示延伸 — OmniVAE在VAE阶段对齐音视频，PDM拆解CFG分支监督，VIPE直接优化模型看到的图像；性能提升越来越依赖输入、tokenizer和训练目标的联合设计。 人工智能炼丹君 整理 | 2026-07-29 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

深度解读|清华SLA2|97%稀疏对比DeepSeek DSA SLA2 深度解读：97% 稀疏、18.7 倍注意力加速，它和 DeepSeek DSA 的可学习 Indexer 到底差在哪 论文：SLA2: Sparse-Linear Attention with Learnable Routing and QAT 机构：清华大学 · UC Berkeley 作者：Jintao Zhang、Haoxu Wang、Kai Jiang、Kaiwen Zheng、Youhe Jiang、Ion Stoica、Jianfei Chen、Jun Zhu、Joseph E. Gonzalez 日期：2026-02-13（arXiv v1） 相关代码：thu-ml/SLA（仓库已引用 SLA2，但当前公开用法主要对应前代 SLA） 重点对比：DeepSeek-V3.2 技术报告 · DeepSeek-V3.2-Exp 官方实现 论文状态：arXiv 预印本；源码使用 ICML 2026 preprint 模板，不等于已被 ICML 接收 01 先说说这东西是干嘛用的 简单讲：SLA2 是给视频扩散模型做的“注意力分流器”。 生成视频时，Transformer 里的每个视觉 token 原本要和大量其他 token 做完整注意力，序列一长，计算量就按平方增长。SLA2 不想把 97% 的连接粗暴删掉，而是把连接分成两路： 少数重要连接走稀疏 Softmax Attention，保留精确计算； 大量剩余连接走线性注意力，用低秩聚合保留背景信息； 一个可学习 Router决定哪些块进入哪一路； 一个可学习的 $\alpha$ 决定两路输出各占多少； 稀疏分支再叠加低比特计算和 QAT，继续压低耗时。 在 Wan2.1-1.3B-480P 和 Wan2.1-14B-720P 上，论文把稀疏率推到 97%。此时考虑线性分支后，作者给出的实际计算节省约为 96.7%；RTX 5090 上前向 Attention Kernel 从 FlashAttention2 的 219 TOPS 提高到 4079 TOPS，按图中数字约为 18.6～18.7 倍。 但先别把这个结果理解成“整个视频生成快 18.7 倍”。端到端加速是： Wan2.1-1.3B-480P：159 秒降到 69 秒，约 2.30 倍； Wan2.1-14B-720P：3043 秒降到 700 秒，约 4.35 倍。 原因很直接：Attention 之外还有 FFN、VAE、调度与数据搬运。Kernel 快 18.7 倍，不代表整条流水线同倍率加速。 02 主要亮点，以及别被数字带偏的地方 主要亮点： 找到了前代 SLA 的一个明确数学错位：稀疏 Softmax 会重新归一化，输出并不等于原注意力矩阵被 mask 后的那部分； 用可学习的 $\alpha$ 显式修正稀疏分支的行缩放，并用 $1-\alpha$ 约束线性分支，避免总输出幅度漂移； Router 不再直接对池化后的 $QK^\top$ 做启发式 Top-k，而是在 $Q$、$K$ 上增加可学习投影； 训练时用 SoftTop-k 让 Router 可反传，推理时切回硬 Top-k； QAT 只在前向模拟低比特，反向仍使用 FP16，兼顾部署速度与训练稳定性； 97% 稀疏下，1.3B 模型 Attention FLOPs 从 52.75T 降到 1.82T，约为原来的 3.45%； 14B 模型 Attention FLOPs 从 292.6T 降到 9.26T，约为原来的 3.16%。 需要冷静看的地方： 训练与评测使用同一批私有 3000 段、每段约 5 秒的视频，文本由 Qwen3-VL-Flash 生成，外部可复现性有限； Full Attention 没有经过同样的 500 步高质量数据微调，SLA2 超过 Full Attention 不能全部归因于稀疏结构； “29 倍”对应的是 52.75T / 1.82T 的理论 FLOPs 比，不是 Kernel 实测，也不是端到端速度； 论文写“INT8 或 FP8”等低比特形式，并说明方案沿用 SageAttention2++，但没有把最终实验所用精确数据格式、逐张量尺度配置交代完整； 14B 延迟实验在单张 RTX 5090 上启用了顺序 CPU Offload，论文排除了 Offload 开销，因此不等同于普通单卡真实墙钟时间； 当前 thu-ml/SLA 仓库能明确跑的是前代 SLA，README 虽已加入 SLA2 引用，但未给出完整 SLA2 训练和 QAT 复现命令。 03 前代 SLA 的思路：删掉之前，先给“长尾”找个去处 传统稀疏注意力的做法比较像裁员：只保留 Top-k 连接，其余直接置零。问题是，视频注意力里被删掉的大量小权重可能单个不重要，但合起来仍承载全局色调、背景一致性和长程运动信息。 SLA 的思路更柔和： 大权重连接交给稀疏 Softmax Attention； 剩余连接交给线性注意力； 两路结果相加，线性分支前再放一个可学习投影。 它依赖一个观察：扩散模型的完整注意力矩阵 $P$ 往往可以拆成“高稀疏部分 $P_1$ + 低秩部分 $P_2$”。稀疏分支精确处理尖峰，线性分支近似处理长尾，理论上比纯 Top-k 更适合高稀疏率。 前代 SLA 的 Router 却比较朴素：先对相邻 token 的 $Q$、$K$ 做平均池化，再按池化注意力分数大小选 Top-k。分数最大的一批进稀疏分支，其余进线性分支。这个规则能用，但“权重大”不等于“必须由精确 Softmax 计算”；有些权重搬到线性分支后仍容易被低秩结构表达。 SLA2 的目标不是简单找“大权重”，而是找出“哪一组连接留给线性分支后，整体近似误差最小”。 04 SLA2 修了前代什么：关键不是 Router，而是先补上缩放错位 （这段稍微技术一点，不感兴趣可以跳到 05。） 设完整注意力概率矩阵为： $$P=\mathrm{softmax}(QK^\top/\sqrt d)$$ 给定二值 mask $M$，理想分解是： $$P_1=P\odot M,\qquad P_2=P\odot(1-M),\qquad P=P_1+P_2$$ 直觉上，稀疏分支应该计算 $P_1V$。但实际的 Masked Softmax 会在保留位置上重新归一化。设每一行被 mask 选中的概率质量为： $$\alpha=P_1\mathbf 1$$ 真正由稀疏 Softmax 得到的是： $$P_s=P_1/\alpha$$ 所以目标并不是 $P_sV$，而是： $$P_1V=\alpha\odot(P_sV)$$ 这就是前代 SLA 的尺度错位：稀疏分支每行都被强行归一化到和为 1，把本来只占 $\alpha$ 的概率质量放大了。前代让线性分支后面的投影同时做两件事——近似 $P_2V$，再抵消稀疏分支多出来的缩放误差。一个分支承担两个目标，学习难度自然更高。 SLA2 改成： $$O=\alpha\odot O_s+(1-\alpha)\odot O_l$$ 这里 $O_s$、$O_l$ 都先做行归一化。$\alpha$ 恢复稀疏分支本来应占的概率质量，$1-\alpha$ 给线性分支分配剩余质量，两路相加后仍保持归一化。这个改动看起来只多了一对系数，实际上把“谁负责什么”重新理顺了。 需要留意：理论推导里的 $\alpha$ 是完整注意力在 mask 内的真实概率和；工程实现中的 $\alpha$ 是训练得到的参数。它是对真实比例的学习近似，不是推理时先算完整注意力再精确求和——否则加速就没有意义了。论文也没有说明具体如何把学习参数约束到 $[0,1]$，例如是否经过 Sigmoid。 （图片来源：论文 Figure 1。Router 从 Q/K 产生块级 mask；被选块走稀疏低比特 Softmax，未选块进入线性分支，最后由 α 和 1-α 混合。） 05 Learnable Router 到底学什么 （技术细节，可选阅读。） 视频 token 数量很大，如果 Router 自己也计算完整 $N\times N$ 分数，加速收益会被它吃掉。SLA2 先对相邻 token 做块级平均池化： $$\bar Q=\mathrm{pool}(Q),\qquad \bar K=\mathrm{pool}(K)$$ 实验使用的块大小是： Query Block：$b_q=128$； Key/Value Block：$b_{kv}=64$。 然后加两组可学习投影： $$P_c=\mathrm{proj}_q(\bar Q)\mathrm{proj}_k(\bar K)^\top$$ 每一行选最高的 $k\%$： $$M_c=\mathrm{Top\mbox{-}k}(k\%,P_c)$$ 其中 $k\%=5\%、4\%、3\%$，分别对应大约 95%、96%、97% 的稀疏率。得到的是块级 mask，不是逐 token mask。GPU Kernel 直接按块跳过乘法，不必把 $M_c$ 展开成巨大的 $N\times N$ 矩阵。 可学习的部分不是 Top-k 本身，而是 $\mathrm{proj}_q$ 和 $\mathrm{proj}_k$。它们把 Q/K 映射到一个“更适合做分流”的空间。如果两个投影都设为单位矩阵，就退化成前代 SLA 的启发式 Router。 这也解释了它和 DeepSeek DSA 的第一个共同点：两者都不是直接相信主注意力的原始点积，而是训练一个便宜的旁路打分器，提前预测哪些连接值得进入昂贵注意力。 这里要区分“前向输入”和“训练监督”：SLA2 Router 前向只读取 Q/K，但 Stage 1 用 Full Attention 与 SLA2 最终输出的 MSE 训练，目标经过了 $PV$，所以监督信号间接依赖 V。DeepSeek DSA 的 Indexer 前向和注意力分布 KL 目标都不直接依赖 V。 06 两阶段训练：为什么 Router 只在第一阶段真正学习 SLA2 的训练分成两个阶段。 Stage 1：先把 Router 和 $\alpha$ 初始化好 从扩散模型每层、每个扩散时间步采样 Q/K/V； Full Attention 输出作为目标； SLA2 输出作为学生； 优化目标是两者输出的 MSE； 分别针对 5%、4%、3% 保留率训练 Router 与 $\alpha$。 硬 Top-k 不可导，所以训练时换成 SoftTop-k： $$\mathrm{SoftTop\mbox{-}k}(P_c)_{ij}=\sigma((P_c)_{ij}/\tau+\lambda_i)$$ $\tau=0.1$。$\lambda_i$ 通过二分搜索求解，使每行的软选择总和严格接近目标预算。这个设计不是随便用个 sigmoid，而是让软 mask 仍然保持固定的稀疏预算。 Stage 2：换回硬 Top-k，微调整个视频扩散模型 用 SLA2 替换原 Attention； Router 使用与推理一致的硬 Top-k； Router 不再更新； 微调整个扩散模型参数 $\Theta$ 和 $\alpha$； 优化标准扩散损失。 这个安排很务实：第一阶段解决“Top-k 不可导”，第二阶段解决“软选择和真实部署不一致”。代价是 Router 学到的是第一阶段 Full Attention 输出近似，后续端到端训练不会继续按最终生成损失调整路由边界。 07 QAT 怎么接进稀疏注意力 SLA2 只量化稀疏分支的核心矩阵乘法。 前向过程可以拆成两段： 量化 Q/K，低比特计算 $\hat Q\hat K^\top$，再反量化后做 Softmax； 量化概率 P 和 V，低比特计算 $\hat P\hat V$，再反量化得到 $O_s$。 此外，Kernel 先对 K 做列均值平滑，量化/反量化方案沿用 SageAttention2++。整个计算基于 FlashAttention 风格的在线 Softmax，只对 mask 命中的块做 QK 和 PV，不会先生成完整分数矩阵再遮掉 97%。 反向传播则全部使用原始 FP16 Q/K/V 和前向输出计算梯度。也就是说： 前向看到真实量化误差，让模型学会适应低比特噪声； 反向不强行做低比特梯度，避免训练不稳定； 论文称低比特部分额外带来约 1.3 倍 Kernel 加速。 Table 2 的消融也支持 QAT 有用：同样做量化推理，去掉 QAT 后，1.3B 模型的 AQ 从 64.62 降到 61.85，Vision Reward 从 0.1039 降到 0.0850。 不过论文没有把最终实验精确采用 INT8 还是 FP8、各张量尺度粒度和完整 Kernel 配置写透。工程复现时，这不是小细节，而是决定误差和速度的关键参数。 08 推理时 GPU 到底少算了什么 SLA2 的高效不只来自“mask 很稀”，还来自两条分支都避免了完整 $N^2$ 物化。 命中 mask 的块： 做量化 QK； 在线计算局部 Softmax； 做量化 PV； 累积到稀疏输出 $O_s$。 未命中 mask 的块： 不做逐 Query-Key 的 QK； 先按块累积 $(K^\phi)^\top V$； 再由 $Q^\phi$ 与聚合结果相乘； 得到线性输出 $O_l$。 最后按块对应的 $\alpha$ 混合两路。论文算法给出的 $\alpha$ 输入形状是 $N/b_q\times1$，说明工程实现实际上是 Query Block 级混合，而不是每个 Query token 各自一套完全独立比例。 这点很重要：论文正文常把 $\alpha$ 写成 $N\times1$，算法实现则使用 $N/b_q\times1$。两者表达的是同一思路，但粒度不同；复现时应以 Kernel/算法描述为准。 09 实验结果：哪些数字真的有说服力 实验底模是 Wan2.1-T2V-1.3B-480P 和 Wan2.1-T2V-14B-720P。训练集是私有的 3000 段公开视频，每段约 5 秒；每种方法微调 500 步，1.3B batch size 64，14B batch size 15。 在 1.3B 模型、97% 稀疏率下： IQ：66.64，Full Attention 为 63.67； OC：21.42，Full Attention 为 20.27； AQ：64.62，Full Attention 为 64.41； MS：98.04，Full Attention 为 98.95； SC：94.83，Full Attention 为 95.40； Vision Reward：0.1039，Full Attention 为 0.1084； FLOPs：1.82T，Full Attention 为 52.75T。 所以更准确的说法是：SLA2 在图像质量、整体一致性和审美分上高于未微调 Full Attention，但运动平滑、主体一致性与偏好奖励仍略低。不能概括成“所有指标超过 Full Attention”。 14B、97% 稀疏时，SLA2 的 IQ/OC/AQ 为 66.93/21.12/65.14；Full Attention 为 68.01/22.44/64.66。它在审美分更高，但 IQ 和 OC 没超过 Full Attention。相较于 90% 稀疏的 VMoBA、VSA、SLA，SLA2 整体更稳。 （图片来源：论文 Figure 2。第一人称化妆视频案例；这是作者选择的单个定性样例，不代表平均质量。） （图片来源：论文 Figure 3。草地奔跑猫咪案例；SLA2 97% 稀疏与 Full Attention 的关键帧接近。） 10 SLA2 Router 和 DeepSeek DSA Indexer：相同点 先说结论：两者共享的是“Learned Retrieval before Attention”范式，不是同一种稀疏注意力实现。 共同点主要有六个： 前向路由都由 Q/K 相关信号驱动，不读取 V。 但训练目标不同：SLA2 的输出 MSE 经过 $PV$，监督间接依赖 V；DSA 的注意力分布 KL 目标不直接依赖 V。 都有独立于主注意力的轻量打分空间。 SLA2 用 $\mathrm{proj}_q(\bar Q)\mathrm{proj}_k(\bar K)^\top$；DSA 用多头 Indexer 的投影 q/k 和门控权重。 最终都执行硬 Top-k。 Router/Indexer 只负责候选检索，真正的主注意力只在选中位置计算。 都先学习近似 Full Attention，再让主模型适应稀疏模式。 SLA2 Stage 1 拟合 Full Attention 输出；DSA Dense Warm-up 对齐主注意力分布，随后稀疏继续训练。 Router/Indexer 自己仍有全局扫描成本。 它们不是让选点免费，而是用便宜打分替代昂贵主注意力。DSA Indexer 的 Prefill 仍是 $O(L^2)$，只是常数远小于主 MLA；收益取决于旁路足够轻、主 Attention 足够重。 都要求 Kernel 真正按索引跳过计算。 只生成 mask、仍调用 Dense Attention 并不会获得论文速度。SLA2 依赖块稀疏 FlashAttention 风格 Kernel；DSA 依赖 Indexer Logit Kernel 与 FlashMLA 稀疏 Kernel。 这个共同范式可以概括成：先花小钱做检索，再花大钱做精算。 11 根本差异一：DSA 是“保留或丢弃”，SLA2 是“精算或近似” 这是最重要的区别。 DeepSeek DSA 对每个 Query token 从历史 KV 中选 Top-2048。选中的 token 进入主 MLA Attention，未选中的 token 不参与该 Query 的主注意力计算。 SLA2 则没有把未选连接直接丢掉： 选中的块走精确稀疏 Softmax； 未选中的块走线性注意力聚合； 两路由 $\alpha$ 加权组合。 所以两者的 Router 优化目标不同： DSA 要找“哪些历史 token 最值得保留”； SLA2 要找“哪些连接必须精确算，哪些可以交给低秩近似”。 这也是为什么 SLA2 不能照搬 DSA 的 KL Attention Map Distillation。它不仅要排序重要性，还要考虑剩余矩阵是否容易被线性分支表达。 12 根本差异二：两个可学习打分器具体怎么学 （技术细节，可选阅读。） DeepSeek DSA 的 Lightning Indexer 对 Query token $h_t$ 和历史 token $h_s$，DSA 的分数是： $$I_{t,s}=\sum_{j=1}^{H_I}w^I_{t,j}\cdot\mathrm{ReLU}\left((q^I_{t,j})^\top k^I_s\right)$$ 官方配置为： Indexer Heads：64； Index Head Dim：128； 每个 Query 选择 Top-2048； 历史长度不足 2048 时全部保留，因此“约 98.4% 稀疏”只适用于 128K 序列末端，不能当成整条因果注意力矩阵的平均稀疏率； Key 是单份共享表示，符合 MQA 模式； Query 来自 MLA 的低秩 Query Latent； 每层各自运行 Indexer，不跨层共享 Top-k； 官方实现对 Indexer Q/K 使用部分 RoPE，并以 FP8 + Hadamard Transform 加速。 Dense Warm-up 时，DSA 把主注意力各 Head 的分数汇总、L1 归一化为目标分布，用 KL 散度训练 Indexer： 1000 步； 每步 16 条 128K 序列； 总计约 2.1B token； 只训练 Indexer，主模型冻结。 稀疏训练阶段： 每个 Query 选 2048 个 KV； 主模型用语言建模损失训练； Indexer 继续用选中集合上的 KL 对齐； Indexer 输入从主模型计算图 Detach； 15000 步、每步 480 条 128K 序列； 总计约 943.7B token。 SLA2 的 Router SLA2 只有两组投影后的块级点积，没有 DSA 的 64 个 Indexer Head、ReLU 聚合和 Query 自适应 Head 权重。它在 Stage 1 通过 SoftTop-k 可微选择，以最终 Attention 输出 MSE 训练 Router 和 $\alpha$。 这个差别可以理解为： DSA 学的是“注意力分布排序器”； SLA2 学的是“两种近似算子之间的分区器”。 13 效率数字不能直接横比 （图片来源：论文 Figure 4。SLA2 97% 稀疏达到 4079 TOPS；FlashAttention2 为 219 TOPS。） （图片来源：论文 Figure 5。上：1.3B-480P；下：14B-720P，14B 数据排除了 CPU Offload 开销。） SLA2 报的是 RTX 5090 上视频扩散 Attention Kernel 和视频生成延迟。DeepSeek DSA 报的是 H800 集群上 128K 文本模型的 Prefill/Decode 成本，并用每 GPU 小时 2 美元估算服务成本。 两者至少有五个不可控变量： 模型域：视频扩散 vs 自回归语言模型； 硬件：RTX 5090 vs H800 集群； 主注意力：普通视频 DiT Attention vs MLA； 稀疏粒度：块级百分比 vs token 级固定 Top-2048； 输出指标：TOPS/秒数 vs 服务成本曲线。 因此不能说“SLA2 18.7 倍，比 DSA 更快”，也不能反过来说 DSA 更适合所有场景。能比较的是机制和复杂度，不能把两篇论文的速度数字放在同一排行榜。 14 横向对比：SLA2 与 DeepSeek DSA 的 14 个维度 维度 SLA2 Learnable Router DeepSeek DSA Lightning Indexer 目标模型 视频扩散 Transformer 自回归大语言模型 主注意力 稀疏 Softmax + 线性 Attention MLA 的稀疏主注意力 路由对象 Query Block × KV Block Query token × 历史 KV token 未选连接 进入线性分支近似 不进入该 Query 的主 Attention Router 输入 池化后的 Q/K Hidden/Query Latent 投影出的 q/k V 的角色 前向路由不读 V；Stage 1 输出 MSE 经 $PV$ 间接依赖 V 前向与注意力分布 KL 目标均不直接依赖 V 打分函数 两个可学习投影后的点积 64 Head、ReLU、Query 门控加权求和 选择预算 每行 3%/4%/5% 块 每个 Query 固定 Top-2048 token 训练监督 Full/SLA2 输出 MSE + 扩散损失 主注意力分布 KL + 语言建模损失 Top-k 可微性 Stage 1 用 SoftTop-k 反传 用独立 KL 训练 Indexer，不穿过硬 Top-k 第二阶段 Router 冻结 继续由 KL 单独优化 分支混合 学习 $\alpha$ 与 $1-\alpha$ 无线性补偿分支，无 $\alpha$ 量化角色 QAT 直接训练低比特稀疏 Attention Indexer 可用 FP8；模型本身为 FP8 部署体系 官方复现状态 SLA 仓库公开，SLA2 完整训练链尚不明确 权重、推理代码与高性能 Kernel 已公开 再补一个容易混淆的点：DeepSeek 还有 MoE Expert Router。DSA Lightning Indexer 不是专家路由器，它路由的是“当前 Query 应该看哪些历史 KV”；SLA2 Router 路由的是“某个注意力块应走稀疏 Softmax 还是线性近似”。三者名字相似，但对象不同。 15 总结感受：两条路线会合流，但不会互相替代 我对 SLA2 的评价是：数学修补比 97% 稀疏这个标题数字更有价值。 它首先把前代 SLA 的缩放错位讲清楚，再用 $\alpha/(1-\alpha)$ 让两条分支各归其位。Learnable Router 和 QAT 是建立在这个正确分解上的工程增强，不是孤立的技巧堆叠。 与 DeepSeek DSA 对比后，技术路线也更清晰： 如果未选连接可以安全丢弃，DSA 的 token 级 Top-k 更直接； 如果未选连接数量巨大但合起来仍重要，SLA2 的线性补偿更稳； DSA 的多头 Indexer 更像高容量检索器； SLA2 的块级 Router 更便宜，也更容易映射到视频 GPU Kernel； DSA 用 KL 拟合注意力分布，SLA2 用输出误差学习“精算/近似”分区； 两者未来最可能的合流点，是用更强 Indexer 做块或 token 检索，再为未选部分保留低秩残差通道。 研究者建议：值得跟进的方向不是单纯继续把稀疏率从 97% 推到 98%，而是验证 Router 是否跨 Prompt、分辨率、时长和模型层稳定；也可以尝试 DSA 式多头 Indexer + SLA2 线性残差，比较 KL 分布蒸馏与输出 MSE 哪个更适合扩散模型。 工程师建议：目前先把 SLA2 当成有潜力的 Kernel/训练方案，不要当作即插即用库。你需要定制块稀疏 Kernel、线性分支、QAT 和两阶段微调；没有官方完整脚本时，复现成本明显高于普通 FlashAttention 替换。 产品侧建议：这项工作真正能带来的不是“同一张卡快 18.7 倍出视频”，而是在 Attention 成为主要瓶颈的高分辨率、长视频场景中，把端到端耗时压到原来的约 43% 或 23%。是否值得接入，要看你的 FFN、VAE 和数据搬运占比。 最后给一句最短判断： DSA 是学会“该看谁”，SLA2 是学会“谁要精看、谁可以略读”；共同方向是把 Attention 从固定算子变成可学习的计算资源分配器。 作者：人工智能炼丹君 日期：2026-07-25 声明：个人观点，仅供参考。数据来源于 SLA2、DeepSeek-V3.2 原始论文及官方实现，如有偏差以原文为准。

AIGC 每日速读|2026-07-21|腾讯混元4步视频胜50步强化扩散MeanFlowNFT 今日 AIGC 论文速览 今日共 5 篇 · 生成强化学习与少步加速 1 篇 · 视频DiT系统加速 1 篇 · 世界模型与科学多模态生成 2 篇 · 多模态智能体安全 1 篇 重点论文标题列表 MeanFlowNFT（腾讯混元·港科大）：4步视频胜50步强化扩散 FVAttn（腾讯微信·中山大学·北大）：稀疏注意力提速4.41倍 Orbis 2（弗赖堡大学）：分层世界模型兼顾远景细节 S1-Omni（ScienceOne AI·文歌科技）：统一200类科学任务推理生成 Lucid（UC Irvine）：不可见扰动毒化智能体记忆 今日论文速览 1. MeanFlowNFT：4步视频胜50步强化扩散 MeanFlowNFT: Bringing Forward-Process RL to Average-Velocity Generators | 腾讯混元·港科大 | arXiv:2607.15273 关键词：视频生成,MeanFlow,强化学习,少步采样,奖励对齐 前序问题：MeanFlow 通过预测时间区间平均速度实现少步生成，但现有 DiffusionNFT 前向过程强化学习优化的是瞬时速度，两者目标不匹配；如何在保留 MeanFlow 少步采样优势的同时做可靠奖励对齐，仍未解决。 本文贡献：提出 MeanFlowNFT：利用连接平均速度与瞬时速度的 MeanFlow 恒等式，构造诱导瞬时速度预测器，再把 DiffusionNFT 目标施加到该预测器上，使奖励优化在数学上成立；实际采样仍走平均速度，因此保留快速少步生成，并证明继承 DiffusionNFT 的严格策略改进保证。 实验效果：图像与视频生成均稳定提升基线；SD3.5-M 的 8 项指标中 6 项超过此前 SOTA 少步 RL 生成器。Wan2.1 上仅 4 步即获 VBench 84.33，超过 50 步 LongCat-Video RL 的 82.57。 批判点评：把瞬时速度 RL 桥接到平均速度生成器，既有理论保证又拿出「4 步胜 50 步」的工业级数字，腾讯混元背景也很接近落地。但仍依赖 DiffusionNFT 的奖励与训练设定，少步模型在复杂长视频、细粒度运动上的稳定性，以及不同奖励下是否都能保持严格改进仍需扩验。 2. FVAttn：稀疏注意力提速4.41倍 FVAttn: Adaptive Sparse Attention with Runtime Load Balancing for Video Generation | 腾讯微信·中山大学·北大 | arXiv:2607.16190 关键词：视频DiT,稀疏注意力,负载均衡,多GPU,推理加速 前序问题：高分辨率视频 DiT 的长时空序列让自注意力成为主瓶颈；免训练 Top-p 稀疏注意力虽省计算，却在多 GPU 序列并行下造成各注意力头负载不均，最慢 rank 拖住全局同步，稀疏收益被等待开销吃掉。 本文贡献：提出 FVAttn 免训练稀疏注意力系统：以 Top-p 路由、Top-k 安全下限和视频感知分块构造稀疏前端，再按当前真实 mask 在运行时修复调度。运行时负载均衡通过 P2P 迁移少量重头缩短关键路径；Slack-Aware Sparse Augmentation 用额外高价值块填充非关键 rank 的空闲，并将调度与迁移开销同计算重叠。 实验效果：在步蒸馏 Wan2.2 I2V 上把平均负载不均衡从 1.34 降至 1.08；相对 FlashAttention，注意力提速 4.41×、DiT 推理提速 2.02–2.11×，同时保持有竞争力的视频质量。 批判点评：抓住「稀疏了却被最慢 GPU 拖死」这一系统瓶颈，运行时搬重头+用高价值块填空闲的设计很工程化，4.41× 注意力提速也扎实。但收益依赖多 GPU 序列并行、专用调度与 P2P 拓扑，单卡无红利；跨模型、不同显卡互联与更长视频下的迁移开销边界仍待验证。 3. Orbis 2：分层世界模型兼顾远景细节 Orbis 2: A Hierarchical World Model for Driving | 弗赖堡大学 | arXiv:2607.15898 关键词：驾驶世界模型,分层预测,Diffusion Forcing,DINOv2,长时生成 前序问题：现有驾驶世界模型通常只在单一抽象层预测：要么追求像素保真却缺空间推理与语义理解，要么长时滚动误差不断累积，难同时服务真实下游规划与高质量生成。 本文贡献：提出分层驾驶世界模型，将未来预测拆成两个时间与抽象尺度：高层预测器在压缩 DINOv2 语义潜空间中预测长时粗场景结构和子目标；低层生成器在 VAE 潜空间中受高层输出条件约束，生成短时精细画面。训练上先用 diffusion forcing 获得更丰富表征，再用 teacher forcing 微调以稳定自回归滚动。 实验效果：在标准驾驶世界模型评测上全面达到 SOTA，覆盖长时生成保真、反事实场景下的转向响应，以及内部表征质量；兼得高感知保真与更强空间、语义表示。 批判点评：「高层管远景语义、低层补近景细节」符合驾驶规划的天然层级，两阶段训练也把 diffusion forcing 的表征优势与 teacher forcing 的稳定性拼起来。但系统复杂、两级误差会相互传递，对极端交通事件和跨城市域偏移的可靠性，以及是否真能改善闭环驾驶安全仍需实车验证。 4. S1-Omni：统一200类科学任务推理生成 S1-Omni: A Unified Multimodal Reasoning Model for Scientific Understanding, Prediction, and Generation | ScienceOne AI·文歌科技 | arXiv:2607.15686 关键词：AI4S,统一多模态,科学生成,分子生成,科学图像 前序问题：AI for Science 被领域模型、工具增强 LLM 与科学语言模型割裂，不同模型各管蛋白、分子、材料或图像，难在同一模型里联合建模异构数据、科学规律和专家知识。 本文贡献：提出 S1-Omni，以三部分统一科学理解、预测与生成：把自然语言、CIF、SMILES、蛋白序列、光谱和科学图像映入共享任务空间；在数据构造、验证与训练中注入科学定律和专家知识；按任务连接原生领域解码器，支持属性预测、光谱到分子生成、蛋白位点/结构预测、科学图像生成与编辑。S1-Omni-Corpus 覆盖 200 类科学任务和数百万推理样本。 实验效果：在 60 多个科学基准上评测，多数基准超过 GPT-5.5 与 Gemini-3.1-Pro，并在若干任务上匹敌或超过领域专用模型。 批判点评：将符号序列、科学图像与领域规律放进统一模型，200 类任务与 60+ 基准规模很有冲击力。但跨领域总榜容易掩盖单任务深度，科学定律是否真正进入推理而非数据相关性、闭源强基线的评测公平性，以及科学生成结果的实验可验证性都需独立复核。 5. Lucid：不可见扰动毒化智能体记忆 Do Agents Dream of False Memories? Black-box Visual Attacks on Long-term Memory in Multimodal AI Agents | UC Irvine | arXiv:2607.15657 关键词：多模态智能体,长期记忆,视觉攻击,记忆投毒,安全 前序问题：多模态智能体把历史图文写进长期记忆并在未来检索，却默认视觉数据可信、没有语义完整性验证；攻击者若只改图片、不能碰文本与模型，是否仍能持续污染后续生成，尚未被系统研究。 本文贡献：提出 Lucid 黑盒视觉攻击框架，在不知道目标 MLLM、检索编码器或文本通道的严格图像边界威胁模型下，构造肉眼不可见扰动：有历史文本上下文时做 memory poisoning，替换被文本强化的良性图像并扭曲回忆；无上下文时做 memory injection，让图像直接注入攻击者叙事。覆盖图结构、LLM 摘要及商业系统等五种黑盒记忆架构。 实验效果：跨多种对话领域，记忆投毒攻击成功率达 61.6%，记忆注入达 58.4%，暴露出多模态长期记忆「检索相似即信任」的结构性漏洞。 批判点评：只靠不可见图片扰动、完全黑盒就能让错误记忆跨会话持续生效，攻击面比单轮越狱更危险，数字也足够醒目。但实验仍依赖代理视觉编码器的迁移性；现实平台的图片重压缩、重编码与人工审核可能削弱攻击，论文主要揭示风险，防御机制尚未闭环。 趋势观察 少步生成与强化学习开始真正合流 — MeanFlowNFT 用平均-瞬时速度恒等式把前向过程 RL 接进 MeanFlow，Wan2.1 四步 VBench 84.33 超过 50 步 RL 模型，奖励对齐不再必须牺牲采样效率。 视频加速从算法稀疏深入分布式调度 — FVAttn 不只剪注意力，还在运行时迁移重头、填平 GPU 空闲，把稀疏注意力的 rank 拖尾变成可优化的系统问题。 世界模型走向语义与细节分层 — Orbis 2 用 DINO 高层预测远期语义、VAE 低层生成近景细节，世界模型从单尺度像素预测转向面向规划的层级抽象。 统一多模态扩展到科学原生对象 — S1-Omni 将 CIF、SMILES、蛋白、光谱与科学图像纳入同一模型，统一生成理解正从通用图文扩到原生科学表示。 长期记忆成为多模态智能体新攻击面 — Lucid 证明肉眼不可见的图片扰动可在黑盒条件下持续污染跨会话记忆，安全边界正从当前提示扩展到历史视觉证据。 人工智能炼丹君 整理 | 2026-07-21 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-05-28|北大OSP-Next视频生成跨硬件加速 今日 AIGC 论文速览 今日共 11 篇 · 视频生成全栈加速 4 篇 · 视频生成新能力 2 篇 · 音频统一生成 2 篇 · 语音合成与编辑 2 篇 · 扩散模型对齐 1 篇 重点论文标题列表 OSP-Next：稀疏+量化+RL全栈视频生成1.64x PARE：视频DiT结构剪枝+动态路由 ⚡ Quantized Keys Steal Attention：KV缓存量化的Jensen偏差校正 SVDQuant-GPTQ：W4A4量化Wan2.2-I2V省内存59.3% Dasheng AudioGen：首个文生混合音频场景统一模型 今日论文速览 1. OSP-Next：稀疏+量化+RL全栈视频生成1.64x OSP-Next: Efficient High-Quality Video Generation with Sparse Sequence Parallelism, HiF8 Quantization, and Reinforcement Learning | 北大袁粒组, 华为 | arXiv:2605.28691 关键词：视频生成·稀疏注意力·序列并行·HiF8·北大袁粒组 ⚠️ 前序问题：Diffusion Transformer 在视频生成上已经能出好东西，但 full attention 二次开销死死压住效率。前人方案各做一段（稀疏 / 量化 / 蒸馏），缺一套能同时打通通信、计算、精度的端到端方案——尤其在「多卡序列并行」上和「跨国产硬件」上 本文贡献：OSP-Next：把稀疏注意力 + 序列并行 + 量化 + RL 后训练全栈打通的高效 T2V 框架。Skiparse-2D Attention 在空间维做 token-wise + group-wise 稀疏并保留 FlashAttention 兼容；提出 Sparse Sequence Parallelism (SSP) 用一次 All-to-All 切换稀疏模式，相比 Ulysses SP 通信量降低 75%；HiF8 量化支持 8-bit 联合训练 + 稀疏 fine-tune；Mix-GRPO 后训练弥补稀疏模型的质量回退 实验效果：VBench 总分 83.73% 超越 Wan2.1 基线；5 秒 720P/768P 设置下，H200 单 GPU 加速 1.64×，8 GPU 加速 1.52×；OSP-Next-HiF8 仅掉 0.4% 分数即可在国产昇腾 Ascend 950PR 上拿到 1.69× 和 2.27× 加速——是少见的同时验证国际/国产硬件的视频生成加速方案 批判点评：「稀疏注意力 + 序列并行 + 量化 + RL」四件套全栈打通，每一件单独不算新，但 SSP 把通信量直接打掉 75% 是非常硬的工程数字；跨 H200 + 昇腾的双硬件验证为国产硬件视频生成提供了稀缺的实证。但 Skiparse-2D 是 fixed pattern，对极复杂运动场景的可适配性需要看；Mix-GRPO 与 SSP 联训的稳定性细节披露还可以更多 2. PARE：视频DiT结构剪枝+动态路由 PARE: Pruning and Adaptive Routing for Efficient Video Generation | 港中文 CUHK, 上海 AI Lab, 悉尼大学 | arXiv:2605.27336 关键词：视频 DiT·结构剪枝·动态路由·Wan2.1-14B·上海 AI Lab ⚠️ 前序问题：Video DiT 又宽（block 宽）又深（架构深）又要多步采样，部署成本极高。前人通过压宽/压深/压步数减成本，但都 commit 到固定架构——不能针对单个输入或不同去噪阶段动态调整 本文贡献：PARE：把宽度剪枝和深度自适应路由联合做。宽度上观察到 attention head 自然分化为空间 vs 时序角色，设计区分两类的 importance scoring 避免「运动关键的 temporal head」被过早剪掉；深度上训轻量 router 以 denoising timestep + 视觉内容为条件，动态选择每步执行哪些 block——实现「按输入动态计算」而非静态删除。两阶段 progressive pipeline 先用蒸馏修复宽度剪枝的质量损失，再联合优化 student + router 解耦学习目标 实验效果：在 Wan2.1-14B 上对 I2V 和 T2V 都大幅降低每步算力且保住 VBench 各维度质量；与 step 蒸馏天然可组合进一步加速——把「静态剪枝」时代翻篇成「动态路由按需算」 批判点评：「区分空间/时序 head 重要性 + denoising-step 条件的 block router」两个洞察都直击 Video DiT 的结构性冗余。动态路由实现「按输入按 timestep 算」是 efficient video gen 的下一阶段方向。但 router 本身的训练稳定性、推理时的额外 overhead、以及与 OSP-Next 类静态稀疏组合后的边际收益需要更细 ablation 3. Quantized Keys Steal Attention：KV缓存量化的Jensen偏差校正 Quantized Keys Steal Attention: Bias Correction for KV-Cache Compression in Video Diffusion | 慕尼黑工大 TUM, Tensordyne | arXiv:2605.26266 关键词：视频扩散·KV cache·INT2 量化·Jensen 偏差·长视频 ⚠️ 前序问题：chunk-wise 自回归视频扩散依赖前序 chunk 的 KV cache 避免重复计算，但视频越长 cache 越大，量化 KV 到低 bit 又会显著掉画质。掉画质的根因是什么？以前没人说清楚 本文贡献：首次明确指出根因：softmax 注意力中 exp 的凸性让量化噪声系统性放大「被 cache 的 keys」对注意力的贡献——作者命名为 Jensen bias（量化的 keys 会偷走当前 chunk 的注意力质量）。给出 per-attention-score 的解析修正项，在 expectation 上消除该 bias，只用量化 step size 和 query norm 即可在线算；用二阶 Taylor 近似让额外计算开销可忽略、无需额外显存 实验效果：在 MAGI-1 / SkyReels-V2 / HY-WorldPlay 三个长视频模型上 INT2 量化即可恢复大部分掉的质量、接近 BF16；用 50% 更少显存的 INT2 反而能超过 INT4——长视频 KV cache 压缩拿到新的帕累托前沿 批判点评：把「量化掉画质」从经验问题改写成「Jensen 偏差」这一可解析的统计现象是真正的科学贡献——一行公式校正、零额外显存就拿到 INT2 ≈ BF16 的质量。这种「找根因 + 闭式解」的工作含金量高。但局限在 chunk-wise AR 视频扩散，对非 AR 的全局扩散 KV 压缩不直接适用；与 SmoothQuant 等激活/权重路线的组合策略还可探索 4. SVDQuant-GPTQ：W4A4量化Wan2.2-I2V省内存59.3% Timestep-Aware SVDQuant-GPTQ for W4A4 Quantization of Wan2.2-I2V | 华中科技大学 HUST | arXiv:2605.27003 关键词：W4A4 量化·Wan2.2·MoE DiT·SVDQuant·华中科大 ⚠️ 前序问题：把大型视频 DiT 推到 W4A4 量化可以省一大块显存，但两道坎卡死：(1) 稀疏的「大幅激活 outlier」；(2) 不同去噪 timestep 的激活分布漂移很大。这两个问题在 Wan2.2-I2V 双专家 MoE DiT（高噪/低噪两个 expert 量化敏感度完全不同）下被进一步放大——单一全局校准策略根本拿不下 本文贡献：Timestep-Aware SVDQuant-GPTQ：(1) SVDQuant-based 低秩 outlier 补偿处理激活大幅 outlier；(2) GPTQ 重建感知残差权重量化；(3) timestep-bin-wise 逐层激活 clipping-ratio 搜索，对每个 MoE expert 独立完成。三件套合起来就是「按 expert + 按 timestep」精细化校准的 PTQ 框架 实验效果：在 OpenS2V-Eval 上相对 BF16 把峰值 GPU 内存降 59.3%，VBench 平均分仅掉 0.9%，Imaging Quality 仅掉 2.3%——证明「expert + timestep 双感知校准」是 MoE 视频 DiT 量化高保真的必要条件 批判点评：把 MoE DiT 量化从「全局校准」拉到「按 expert + 按 timestep」是正确的颗粒度切分——双专家的量化敏感度本来就不同，强行全局必然掉点。59.3% 内存降 + <1% 质量损是漂亮的工业数字。但 PTQ 路线天然依赖 calibration set 质量，长视频/复杂运动的覆盖度需要追踪；与昨天 RT-Lynx 类激活稀疏的组合潜力值得探索 5. Dasheng AudioGen：首个文生混合音频场景统一模型 Dasheng AudioGen: A Unified Model for Generating Coherent Audio Scenes from Text | 小米, 上海交大 | arXiv:2605.27838 关键词：音频场景生成·multi-view caption·flow matching·小米·DiT ⚠️ 前序问题：音频生成长期被「按域切分」——语音、音乐、音效各有独立模型——做不到从一句描述生成「同时包含人声 + 背景音乐 + 环境音效」的连贯混合音频场景。两大障碍：缺真实混合音频的细粒度监督；声学表示难以同时承载多个并发音频组件 本文贡献：Dasheng AudioGen：首个统一生成混合音频场景的端到端框架。两个核心：(i) structured multi-view captions——把复杂声学场景显式解耦成互补的描述视图，让每个音频层都有细粒度控制；(ii) 高维统一「语义-声学」表示作为共享 latent，注入语义先验加速跨模态训练收敛，同时高维特征空间提供解耦并发声音组件的容量。在此基础上一个简单的 flow-matching DiT 就能跑出端到端高质量音频场景生成 实验效果：在混合音频类别接近真实录音质量，单类型生成（speech/music/SFX）也与专用模型打平——首次把「视觉生成里图文统一」的思路真正落到音频场景上；配套建立音频场景生成的综合评测 pipeline 批判点评：「structured multi-view captions + 高维语义-声学统一 latent」是非常对症的两个设计——把音频域的「描述粒度」和「表示容量」都拉到能容纳混合场景的层次。flow-matching DiT 的工程极简性也很好。但 multi-view caption 的自动构造成本/质量、高维 latent 增加的 DiT 训练开销，以及与商用 ElevenLabs Sound Effect / Stable Audio 2 的端到端对比都需要更细评测 6. HarmoVid：视频肖像重打光和谐化稳定不闪烁 HarmoVid: Relightful Video Portrait Harmonization | Adobe Research, UNC | arXiv:2605.28811 关键词：视频肖像·relight 和谐化·deflicker·alpha mask·Adobe ⚠️ 前序问题：把人物前景视频和谐到目标背景场景（同步阴影、色调、光照强度——relightful harmonization）的硬伤是：视频域没法采集「同一动作不同光照」的成对标注数据。最直接的方案——「按帧调用图像和谐模型」——会带来严重时序抖动（flicker） 本文贡献：HarmoVid 给出整套视频和谐化方案：(i) 全新的 lighting deflickering 模型稳定全局和局部光照 flicker，把「逐帧 image-harmonization」的输出升级成可监督的 paired 视频数据；(ii) 视频扩散模型在 deflickered 真实 + 合成视频上学习；(iii) asymmetric alpha mask conditioning 让模型从真实视频里学到干净的边界 实验效果：在时序连贯、自然度、边界干净度、物理合理光照行为多个维度超越此前所有 image-based 和 video-based 和谐化方法；relighting 表现力也保住——人物视频合成 / 后期合成的标准工业链路被显著升级 批判点评：用「先 deflicker 再训练」绕开「无成对数据」的死结是非常聪明的——deflicker 把单帧图像和谐输出转化成可用监督，是真正的杠杆点。asymmetric alpha mask 也很实用。但 deflicker 模型本身的失败模式（强光/复杂阴影）会传导到下游；与 Adobe 自家的商业级合成工具的真实对比需要更细评测 7. SmartDirector：多关键帧条件电影级视频叙事控制 SmartDirector: Keyframe-Conditioned Cinematic Video Generation with Narrative Pacing Control | 国内视频生成团队 | arXiv:2605.27891 关键词：电影级视频·多关键帧·叙事节奏·两阶段·Director-Gen/SR ⚠️ 前序问题：视频的「叙事质量」决定感知价值，但现有视频生成方法主要靠 text prompt 或首尾帧这类稀疏 condition——对叙事结构和时序节奏的精确控制非常有限，导出不了真正「有 pacing 的电影感视频」 本文贡献：SmartDirector：以多关键帧增强视频生成的叙事能力。支持单镜头、多镜头叙事合成、视频延展三类场景。两阶段：(i) Director-Gen 在低分辨率上以关键帧为条件生成；(ii) Director-SR 利用高分辨率关键帧作为语义锚点把细粒度细节补回来。配套数据管线从电影中精选单镜头/多镜头序列以支撑多关键帧训练 实验效果：在多个评测上大幅超越 SOTA，把视频生成从「按 prompt 出 5 秒片段」升级到「按多关键帧出有节奏的多镜头序列」——电影级视频生成的可控性接近真实创作工作流 批判点评：「多关键帧 + 两阶段先粗后细」直击「电影级叙事控制」的实际痛点——单 prompt / 首尾帧确实远远不够。两阶段把分辨率 vs 叙事控制解耦是合理设计。但「关键帧」的获取成本（人工/AI辅助）和叙事节奏的可量化评测仍是模糊地带；多镜头切换的时空一致性细节需要更深 ablation 8. LoSATok：1280维语义压缩到128维统一audio LoSATok: Low-dimensional Semantic-Acoustic Tokenizer for Cross-Domain Audio Understanding and Generation | 清华深圳, 面壁智能 | arXiv:2605.27840 关键词：audio tokenizer·128 维·语义瓶颈·清华深圳·面壁 ⚠️ 前序问题：音频 tokenizer 是统一「音频理解」和「音频生成」的根基。理解需要高层语义；生成需要语义 + 声学细节。现有统一 tokenizer 在高维连续 latent 里同时编码——这增加了 DiT 生成端的建模负担 本文贡献：LoSATok：观察到 1280 维语义 encoder 特征是可压缩的，引入 Semantic Bottleneck 压到 128 维，并用 time-relation loss 保时序特征一致性；再用「双层级语义监督」同时利用高维/低维语义信号——让 tokenizer 在紧凑 latent 空间里同时承载语义和声学细节 实验效果：在 speech / music / 通用 audio 上 SemBo 保住强低维语义容量，LoSATok 与多个语义表示比较 understanding 性能仍有竞争力；在 DiT 端的 speech / music / audio 生成上一致改进——证明「低维 audio 表示也能同时支撑理解与生成」 批判点评：把「audio 统一 tokenizer」的维度从 1280 砍到 128 是非常硬的容量压缩——若真的不掉理解还能提升生成，那就解掉了「audio 统一表示卡 DiT」的关键梗。time-relation loss + 双层级语义监督是合理工程。但 128 维下声学细节的极限（音乐复杂混音、长 reverb）需要更细测试；与 Dasheng AudioGen 高维路线的端到端比较是行业级议题 9. CosyEdit2：GRPO语音编辑反哺零样本TTS CosyEdit2: Speech-Editing-Oriented Reinforcement Learning Unlocks Better Zero-Shot TTS | 南开大学 | arXiv:2605.25930 关键词：语音编辑·GRPO·zero-shot TTS·南开大学·post-training ⚠️ 前序问题：语音编辑和 zero-shot TTS 同源于「prompt 驱动的语音生成」，但语音编辑对「与周围未编辑内容的局部声学一致性」要求严苛得多。SFT 让 TTS 模型获得编辑能力的路线被卡在「成对编辑数据不完美 + 优化信号粗粒度」 本文贡献：CosyEdit2：建立「先 SFT 初始化 → 再 editing-oriented GRPO 后训练」的两阶段框架。GRPO 阶段在「无目标语音」的数据上做，把语音编辑当作 RL 任务优化，让模型从粗粒度匹配走向精细局部声学一致 实验效果：不仅在语音编辑上显著提升，还反哺 zero-shot TTS 能力——揭示「编辑任务 ↔ 合成任务」之间隐藏的相互增益；GRPO 在 audio 域被验证是有效的 post-training 范式 批判点评：把 GRPO 引入 audio 域、并用「编辑反哺合成」这个新角度证明两个任务的深层互助，是非常聪明的科学故事。无目标语音的 RL 设计也比依赖成对数据更可扩展。但 GRPO 的 reward 设计细节、跨语种/多说话人鲁棒性、以及对 prosody 细节的影响需要更系统评测 10. PilotTTS：高德200K小时开源TTS竞品级 PilotTTS: A Disciplined Modular Recipe for Competitive Speech Synthesis | 高德 AMAP | arXiv:2605.27258 关键词：TTS·200K 小时·开源·Q-Former·高德 AMAP ⚠️ 前序问题：SOTA TTS 系统通常需要数百万小时专有数据 + 多阶段复杂架构——这对资源受限的研究团队是几乎跨不过去的门槛。开源社区想自己训出竞品级 TTS 一直缺成熟 recipe 本文贡献：PilotTTS：高德 AMAP 用「最小化架构 + 严格数据工程」做出竞品级轻量自回归 TTS。仅用 200K 小时数据 + 全开源工具处理。两大贡献：(i) 可复现的多阶段数据处理 pipeline（质量评估 + 标签标注 + 过滤）；(ii) Q-Former conditioning 紧凑模型架构，通过 cross-sample paired training 解耦说话人身份与说话风格。统一框架支持 zero-shot voice cloning / 11 类情感合成 / 4 类副语言合成 / 14 种中文方言 实验效果：在 Seed-TTS Eval 上 test-en WER 1.50%（最低）、test-zh CER 0.87%；两个测试集说话人相似度都最高（0.862 / 0.815）——超越使用大得多数据集训出来的系统。完整 data pipeline + 预训练权重 + 代码全开源 (AMAPVOICE/PilotTTS) 批判点评：「200K 小时 + 开源工具 + 极简架构」做出超越百万小时专有数据系统的 TTS——是非常有信号量的开源胜利，对中小团队意义重大。Q-Former 解耦说话人/风格的设计也是 clean。但 PilotTTS 主打数据工程而非架构创新，复现门槛仍在「数据处理 pipeline 的工程细节」；与昨天 LongCat-Avatar 类「audio + 视频联合」的下一步集成是开放问题 11. LAIR：扩散模型从成对偏好升级到列表对齐 Beyond Pairwise Preferences: Listwise Reward-Aware Alignment for Diffusion Models | 斯坦福, 加州理工 Caltech | arXiv:2605.26491 关键词：diffusion 对齐·listwise preference·advantage-weighted·Stanford·Ermon ⚠️ 前序问题：preference optimization 已成 RLHF 之外对齐 T2I 扩散的高效替代，但现有方法基本都把监督降到 binary pairwise——这在「同 prompt 有多张候选 + 有连续 reward 分数」时严重浪费信息（一个 winner-loser 标签远远没用上 reward 分布） 本文贡献：Diffusion LAIR：reward-aware listwise preference optimization。每个 prompt 把候选组的 reward 分数转成中心化 advantage 权重，再优化「advantage-weighted regression」目标——目标定义在 implicit reward（当前模型 vs 固定参考模型的 denoising-loss 改进量）上，配二次惩罚正则隐式 reward 幅度。结果是同时用所有候选而非选 pair，并保持保守。LAIR 目标在 implicit-reward 空间有 bounded closed-form 最优解，把正则强度 → 偏好更新幅度的关系写清楚 实验效果：在 SD1.5 / SDXL 上对 T2I 生成 / 组合生成 / 图像编辑 benchmark 都超越 strong pairwise preference optimization baseline；为 diffusion 对齐提供「更接近 RLHF reward 信息密度但不需在线 RL」的中间路线 批判点评：把 DPO 类 pairwise 升级到 listwise + 给出 closed-form 最优解的清晰表述是教科书级的方法工作——既保留 offline 偏好优化的稳定性，又用上了 reward score 的全部信息。但 listwise 数据采集成本高于 pairwise（要 N 张同 prompt 候选 + reward 分），实际落地的数据可得性是隐藏成本；与 in-context 在线 RL（GRPO 类）的端到端比较略浅 趋势观察 视频生成进入「全栈加速」时代：稀疏 + 量化 + 并行 + 路由 + RL 多管齐下 — OSP-Next 把稀疏注意力 + Sparse Sequence Parallelism（通信 -75%）+ HiF8 量化 + Mix-GRPO 一锅端，跨 H200 / 昇腾双硬件分别 1.64× / 2.27× 加速；PARE 联合宽度剪枝 + 动态深度路由，在 Wan2.1-14B 上按输入按 timestep 动态算；SVDQuant-GPTQ 把 Wan2.2 双专家 MoE DiT 推到 W4A4 显存降 59.3%——视频生成的工业部署正在被「全栈加速」改写 长视频 KV cache 压缩出现「找根因 + 闭式解」类突破 — Quantized Keys Steal Attention 首次把「量化 KV 掉画质」从经验现象写成 Jensen bias（exp 凸性放大 cache key 贡献）的可解析统计现象，一行公式校正零额外显存，让 MAGI-1 / SkyReels-V2 / HY-WorldPlay 在 INT2 上接近 BF16——把 chunk-wise AR 长视频的 KV 压缩从「玄学调参」推到「有理论的工程」 音频生成统一化：从「按域切分」走向「一句描述出混合场景」 — Dasheng AudioGen 是首个能从一句描述同时生成 speech + music + SFX 混合连贯场景的统一模型，关键是 structured multi-view captions + 高维语义-声学统一 latent；LoSATok 反过来把 1280 维语义压到 128 维统一 tokenizer 反哺 DiT 生成；CosyEdit2 在 audio 域用 GRPO 把「编辑」反哺「TTS」——audio 正在重走视觉「统一模型」的同一条路 视频生成的「叙事控制」与「视频后期」继续拓宽到工业链路 — SmartDirector 把视频生成从「按 prompt 出 5 秒片段」升级到「多关键帧 + 两阶段先粗后细」做电影级叙事节奏控制；HarmoVid 用 deflicker 模型破解「视频和谐化无成对数据」的死结，把视频肖像 relight 和谐化做到工业级稳定——视频生成的可控性从「内容」深入到「节奏」和「后期合成」 开源 TTS / 对齐方法补齐 audio + diffusion 的「最后一公里」 — 高德 PilotTTS 用 200K 小时 + 开源工具 + Q-Former 极简架构做出超越百万小时专有系统的开源 TTS（Seed-TTS Eval 第一）；Diffusion LAIR 把 T2I 对齐从 pairwise 升级到 listwise，给出 implicit-reward 的 closed-form 最优解——开源社区在 audio 合成 + diffusion 对齐这两个长期被闭源霸占的方向同时迈出了「竞品级 + 理论级」的双台阶 人工智能炼丹君 整理 | 2026-05-28 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注