Floor It, Then Fill It：十亿级用户视频推荐系统的创作者生态模拟与公平分配研究
研究团队提出了面向十亿级视频推荐系统的生态仿真框架，对约 42K 创作者及其 12 周内的互动进行建模，以评估基于预算多臂老虎机（MAB）的公平曝光分配策略。测试表明，结合保底播放目标与均等差距奖励的方案可确保创作者每周达成 90% 的观看目标，使小型创作者每周自然触达增长约 +33%，并实现 0.819 的 Jaccard 分配稳定性。
#视频
#视频
今日 0 条arXiv cs.LGAI 评分3333
arXiv cs.AIAI 评分4444 InfiniteWorld：将视觉证据与已知物理规律分离
研究人员推出物理推理基准 InfiniteWorld，通过将问题与系统性修改物理参数的模拟视频配对，测试视频语言模型能否依据视觉证据进行推理。该基准涵盖定律识别、参数估计和定律归纳等 5 项任务，并提供纯文本与视频帧等 5 种配对输入设置。评测显示现有模型普遍依赖地球常规规律，在观测物理动态改变时仍频繁给出常规答案。
arXiv cs.AIAI 评分3636 Isharah-Selfie：面向单手手语的连续手语识别数据集
研究人员推出大规模阿拉伯手语数据集 Isharah-Selfie，专注于智能手机前置自拍场景下的单手连续手语识别与翻译。该数据集包含 16 位手语者录制的 8,997 个视频片段与 1,493 个独立句子，同时提供手语词序列标注与阿拉伯语翻译。基准测试表明现有方法在未见句子的泛化上仍面临严峻挑战，目前数据集已开放获取。
arXiv cs.LGAI 评分3838 运动等变卷积 LSTM：当运动成为规范对称性
研究者提出运动等变卷积 LSTM（MELSTM），将时序运动建模为规范对称性，利用速度模型作为规范场，在数学上证明对任意运动均具备等变性。在相同参数量下，MELSTM 在未来帧预测、动态数字分类及相机抖动动作识别任务中全面优于标准卷积 LSTM 及其流等变模型。该模型不仅准确率更高，还能泛化至更长周期和未见运动，且状态占用仅为流等变模型的一小部分。
arXiv cs.AIAI 评分4040 Omni-Woodpecker：通过证据-先验重平衡修正 Omni LLM 模型幻觉
研究人员提出免训练框架 Omni-Woodpecker（OWP），通过跨模态冲突检测与隐藏状态正交分解，在解码前抑制误导性先验并恢复有效证据，从而修正 Omni LLM 的跨模态模型幻觉。
NVIDIA BlogAI 评分4545 NVIDIA 推进媒体领域智能体安全，覆盖欧洲公共广播与全球内容制作
NVIDIA 宣布与欧洲广播联盟（EBU）合作扩展主权框架，联合主权云服务商与 NVIDIA Nemotron 开源模型，帮助广播机构在保障数据主权的前提下部署 AI 智能体。同时，Adobe Frame.io 采用 NVIDIA GPU 加速视频智能体搜索，实现嵌入向量生成速度提升约 5x、吞吐量提升最高 4x 且搜索延迟降低最高 5x。德国制作公司 UFA 已借助该技术加速影视素材检索。
arXiv cs.LGAI 评分3535 面向 Classifier-Free Guidance 塑造潜在几何：让潜在空间更好适配信标引导
研究人员针对条件扩散模型中的无分类器引导（CFG）机制，提出了轻量级的原型正则化（PR）方法，通过塑造潜在空间类别几何来提升引导生成质量。
arXiv cs.AIAI 评分4343 用于文本生成视频的时序规范引导框架 TSG
研究者提出免训练的推理阶段框架 TSG（Temporal Specification Guidance），通过形式化时序逻辑表达视频中的顺序、定时与持续性要求，引导文本生成视频的采样过程。
arXiv cs.AIAI 评分3535 AcrossVAM2.0：用于参数高效视频扩散微调的冲突感知点监督
AcrossVAM2.0 提出了一种针对视频扩散模型的冲突感知点监督微调方法，在 5.01B 参数的文生视频 Diffusion Transformer 上结合了置信度加权追踪头、零初始化残差反馈与非对称 PCGrad 梯度投影。
arXiv cs.AIAI 评分2727 用于高效印度手语识别的混合运动学 GCN 与弹性 Transformer 框架
研究人员提出一种结合运动学自适应 GCN 与 Elastic Transformer 的混合框架，用于高效的印度手语识别。该架构通过熵驱动 SVD 采样器提取关键帧，利用连续双重位置编码与距离感知弹性 Transformer 保留打手语节奏，并在空间上显式建模双手几何结构。在包含 120 个类别、9,453 个视频的 ISL 数据集上，该方法达到 89.8% 的准确率。
OpenAI NewsAI 评分3333 Higgsfield 将 AI 视频生成时长从 1 分钟提升至 10 分钟以上
Higgsfield 将 AI 视频生成时长从 1 分钟拓展至 10 分钟以上。平台借助 GPT-6 Astra 为创作者提供更长视频制作能力，并结合 GPT-Image-2.5 实现精准的视觉呈现。此外，Higgsfield 还通过 GPT-Live 为创作者开辟了语音电影制作的新路径。
arXiv cs.LGAI 评分4242 DiffusionART：高效、稳定且可扩展的扩散模型强化学习方法
研究人员提出扩散模型强化学习方法 DiffusionART，无需可微奖励模型和 EMA 调优即可实现高效稳定训练，并已开源代码。在 HunyuanVideo-13B 任务中，该方法达到同类方案后期平均奖励水平所需的 GPU 工时比 DiffusionNFT 和 Flow-GRPO-Fast 分别减少 12.02 倍与 11.72 倍，平均训练奖励分别提升 28.8% 和 53.0%。
arXiv cs.LGAI 评分4040 CacheScope：面向免训练扩散模型加速的精确计算分配
研究人员提出免训练扩散模型加速方法 CacheScope，通过在线识别高风险特征复用步骤并回退至完整计算，实现最高 3.57x 加速。该方法无需额外训练、梯度或辅助网络，利用输入位移归一化探针信号来准确评估缓存风险。在 FLUX.1-dev、Wan2.1-T2V-1.3B 与 Open-Sora 1.2 上，其中位数 LPIPS 较最强探针基线降低最高达 70.1%。
OpenAI NewsAI 评分1515 Pollo AI 借助 OpenAI 将创意转化为营销活动
Pollo AI 借助 OpenAI 的 GPT-5.6、GPT-6 Astra 和 GPT-Image-2.5 模型，帮助创作者将创意构想转化为细节丰富的图像与电影级视频广告。
arXiv cs.LGAI 评分3535 面向多维序列建模的 Tucker 瓶颈注意力机制 TuBA
研究人员提出 Tucker 瓶颈注意力机制（TuBA），通过将隐藏张量投影至低秩紧凑核心执行注意力与线性投影，实现面向多维长序列的亚二次方计算复杂度。该机制还支持核心内双向交互与核心间因果注意力相结合的自回归扩展。相比标准自注意力，TuBA 在视频预测上最高降低 24.7% 误差与 66.6% 计算量，在自回归天气预报中降低 37.1% 误差与 85.1% 计算量，加速达 4.27 倍。
arXiv cs.LGAI 评分3333 面向高效生成模型对齐的流形约束初始噪声优化
研究团队提出免梯度初始噪声对齐方法 ZeNOVA，以解决黑盒奖励场景下生成模型对齐不稳定与效率低的问题。该方法结合退火软值引导、流形约束超球面朗之万动力学与 Metropolis-Hastings 跳跃机制优化初始噪声。图像与视频生成模型实验表明，ZeNOVA 超越所有受测零阶基线，在黑盒奖励对齐中表现出更高的稳定性与奖励收益。
arXiv cs.AIAI 评分4343 MemEvo：流式视频记忆机制的自动发现
研究人员提出 MemEvo 框架，利用预训练 LLM 迭代生成与优化候选记忆程序，实现流式视频记忆机制的自动发现。该方案基于定义了表征、保留、整合等原语的轻量级领域特定语言，在底层视觉语言模型全程冻结下产出无需训练的有界记忆机制。在 StreamingBench 与 OVO-Bench 评测中，其流式视频理解性能突出且兼具极高的上下文与推理效率。
arXiv cs.AIAI 评分4040 AVIO：学习在音视频场景中添加与移除发声物体
研究人员提出音视频编辑框架 AVIO 与数据集 AVIOBench，以联合学习在音视频场景中添加与移除发声物体。AVIOBench 包含涵盖 1,878 个目标物体名称的 37.9 小时配对音视频样本，关联各物体的视觉呈现与声音贡献。AVIO 通过特征调制与参考帧课程训练，使单个模型既能执行纯指令编辑，也支持通过可选视觉引导控制物体的外观与位置。
arXiv cs.AIAI 评分3737 CoRe：通过协同演化奖励模型缓解视频扩散模型潜在奖励黑客问题
研究人员提出协同演化奖励框架 CoRe，通过重拟合奖励模型并锚定真实视频偏好，解决视频扩散模型对齐中的潜在奖励黑客问题。针对生成器在数百次更新后脱离分布导致画质崩溃的缺陷，CoRe 将潜在空间对齐转化为生成器与奖励模型的持续动态交互。在 Wan2.1-T2V-1.3B 上的实验显示，CoRe 生成质量持续超越预训练模型和既有对齐方法。
AWS Machine Learning BlogAI 评分4444 在 SageMaker AI 上使用 vLLM-Omni 生成图像与视频（第 2 部分）
AWS 推出基于 vLLM-Omni 深度学习容器在 SageMaker AI 上实现图像与视频生成的工作流方案。该方案通过实时端点运行 FLUX.2-klein-4B 生成图像，再将其输入异步端点由 Wan2.1-VACE-1.3B 生成 MP4 视频并保存至 Amazon S3。
Google AI BlogAI 评分2323 观看 Future Vision XPRIZE 获奖预告片《The Gifted》
Future Vision XPRIZE 获奖预告片《The Gifted》现已公布并开放观看。该视频为 Future Vision XPRIZE 竞赛的最终获奖作品预告。
OpenAI NewsAI 评分2424 invideo 如何借助 GPT-6 Astra 将调色效率提升 3 倍
invideo 借助 GPT-6 Astra 将色彩校正与调色效率提升至 3 倍。通过该模型，invideo 能够以更高精度规划视频剪辑，并支持在一天内制作出 50 种自定义特效。
OpenAI NewsAI 评分2222 Higgsfield AI 借助 GPT-6 Astra 在一天内推出新视频功能
Higgsfield AI 借助 GPT-6 Astra 在一天内上线了全新视频功能。这项更新降低了小型企业制作视频广告的难度，并推动新的创意工具更快推向市场。
Google AI BlogAI 评分4545 Google DeepMind 用 AI 逐帧重现 70 年爱情故事
Google DeepMind 与电影人合作推出纪录短片《Love, Rendered》，利用 AI 逐帧重现了一对相伴 70 余年夫妇未被影像记录的相遇场景，以应对认知衰退。团队通过生成式模型修复青年时期的黑白照片，并借助动作捕捉模型将两人当下的微动作与神态映射至年轻面貌。普通用户亦可在 Gemini 应用中上传并修复老照片。
Google DeepMind精选AI 评分8181 Google DeepMind 推出 Gemini 智能体视频理解功能
Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 中推出智能体视频理解功能，支持模型通过工具动态搜索、缩放和检查目标视频片段。
推荐理由：官方给出了动态检索视频帧与音频的新机制，展示了长视频分析在大幅降低成本的同时提升定位精度的具体路径。
Google DeepMind精选AI 评分7575 Google DeepMind 推出 Gemini Omni 1.1 Flash 增强视频生成控制能力
Google DeepMind 正式推出 Gemini Omni 1.1 Flash，为开发者带来更强可控性的视频生成与编辑能力。新版本支持分析前 10 秒上下文进行最高 40 秒的场景延展，新增首尾关键帧平滑过渡、参考视频输入以及最高 4K 分辨率放大功能。
推荐理由：模型支持分析前十秒上下文并将单次视频延长至四十秒，有助于开发者构建更可控的影视级生成工作流。
Google DeepMind精选AI 评分7878 Google DeepMind 推出 Nano Banana 2 Lite 图像模型与 Gemini Omni Flash 视频模型
Google DeepMind 推出图像生成模型 Nano Banana 2 Lite 与视频生成编辑模型 Gemini Omni Flash，现已在 Google AI Studio 和 Gemini API 上线。
推荐理由：两款模型分别针对低延迟图像生成与对话式视频编辑，开发者可通过串联工作流实现快速出图并转为视频。
Google DeepMind精选AI 评分8787 Google DeepMind 发布多模态模型 Gemini Omni
Google DeepMind 推出新一代多模态生成模型 Gemini Omni，并发布该系列的首个模型 Gemini Omni Flash。该模型支持组合图像、音频、视频和文本作为输入来生成视频，并允许用户通过多轮自然语言对话连续编辑动作、角色和场景细节，同时生成内容均嵌入 SynthID 数字水印。
推荐理由：模型结合原生多模态与物理常识推理，支持通过自然语言对话多轮编辑视频，展示了基于世界知识生成连贯动态内容的新路径。
Together AI Blog精选AI 评分6060 Together AI 开源视频翻译工具 Violin
Together AI 推出全开源视频翻译工具 Violin，基于 Together API 整合语音识别、大语言模型翻译与语音合成来实现端到端视频翻译。系统默认结合 Whisper V3 large 转录、DeepSeek-V4 Pro 翻译以及 Cartesia Sonic 3 语音合成，并借助视觉语言模型支持基于视频音画内容的交互问答。
推荐理由：项目将语音识别、模型翻译与语音合成串联并封装为智能体技能，开发者可参考其多模态管线搭建视频本地化工具。
Together AI BlogAI 评分5353 Together AI 推出 Dedicated Container Inference 服务，加速自定义模型推理最高达 2.6 倍
Together AI 推出专用于自定义生成式媒体模型的 Dedicated Container Inference 托管服务，支持开发者自带 Docker 容器部署视频生成、数字人合成等非纯文本模型，客户实测获得 1.4 至 2.6 倍的推理加速。