论文页面 - 视频生成模型：后训练与对齐综述

来源：https://huggingface.co/papers/2610.00812 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

视频生成已从短小、低质量的片段，迅速发展为具备复杂时空动态变化的高分辨率、长时序序列。尽管通过大规模预训练学到了强大的生成先验，预训练的视频模型往往仍无法可靠地遵循人类意图、维持时序连贯性，或满足物理与安全约束。与图像和文本生成相比，视频生成中的对齐面临着独特的挑战，包括随时间累积的误差、运动与外观的耦合、多目标之间的权衡，以及针对时序属性的监督信号有限。这些挑战促使我们采用系统的后训练策略，在不从头重新训练的前提下对预训练模型进行适配。在本综述中，我们首次全面回顾了视频生成模型中的后训练与对齐方法。我们将后训练构建为一个统一框架，并根据对齐信号的施加方式，区分隐式对齐与显式对齐。基于这一视角，我们将现有方法归纳为四个主要类别：监督微调方法、自训练与蒸馏方法、基于偏好与奖励的方法，以及推理时方法。这一分类体系提供了一个连贯的视角，用以理解对齐信号如何在训练与部署两个阶段塑造模型行为。除方法学进展外，我们还回顾了常用的数据集、基准与评估实践，并讨论了开放性挑战，如可扩展的奖励设计、长时序一致性、稳定性与表达能力之间的权衡，以及安全感知的生成。本综述旨在为推动可控、可靠的视频生成模型发展，提供结构化的概念基础与实践指导。

查看 arXiv 页面 (https://arxiv.org/abs/2610.00812) 查看 PDF (https://arxiv.org/pdf/2610.00812) GitHub189 (https://github.com/people-robots/Awesome-Video-Generation-Post-Training) 加入收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2610.00812)

在你的 agent 中获取本文：

hf papers read 2610\.00812

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

暂无关联本文的模型

在模型 README.md 中引用 arxiv.org/abs/2610.00812，即可将其关联到本页面\。

引用本文的数据集 0

暂无关联本文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2610.00812，即可将其关联到本页面\。

引用本文的 Space 0

暂无关联本文的 Space

在 Space README.md 中引用 arxiv.org/abs/2610.00812，即可将其关联到本页面\。

包含本文的合集 0

暂无包含本文的合集

将本文添加到合集 (https://huggingface.co/new-collection)即可将其关联到本页面\。