标签
Meta AI 推出了 Muse Realtime Avatar，这是一项尖端的化身技术，使用流式 Diffusion Transformer 实时将语音转化为同步、富有表现力的化身。
Mira-Scene 引入了一个组合式三维场景重建框架，使用像素对齐的规范坐标图进行精确的对象布局，在布局精度上相较于现有方法实现了显著提升。
Marigold V2 将图像编辑 DiT 转换为单步模型，用于清晰密集预测，在深度估计及相关任务中实现了最佳零样本结果，采用 Apache 2.0 许可证。
LynnReal-Omni 是一个统一的多模态视频扩散框架，它将智能体视觉控制与高保真生成和实时加速相结合，以实现稳定、可控的视频创作。
一篇详细的文章，介绍了从头开始在单个GPU上训练一个210M文本到图像扩散Transformer，分享了关于注意力汇聚、损失作为健康信号以及时间步偏移益处的关键测量结果。
StepAudio 3 Music 介绍了一个大规模、长篇音乐生成模型，通过 ABC-CoT 实现显式音乐规划，在音频质量和相似度指标上取得了高分，与其他系统相比表现优异。
UniMate是一个统一的扩散变换器模型，能够从文本和绑定了3D资产为多样骨架生成关节运动，无需针对每个骨架进行重新训练。它利用拓扑感知注意力和一个大型精选数据集。
OutageDiT是一种用于停电预测的生成式基础模型，它采用Diffusion Transformer架构生成七天停电轨迹，提高预测准确度并实现向新区域的零样本迁移。
LLaDA-Image 提出了一个统一框架，结合了一个 60 亿参数的扩散变换器和一个冻结的视觉语言模块，用于生成具有精确编辑功能的逼真图像，通过高效的训练和快速推理，在开源模型中达到了最先进的成果。
World Labs 推出 Atlas，一个能够生成、重建和模拟三维环境的多模态世界模型，并支持相机控制和空间一致性。
Wan-Animate-2 是一个全新的端到端角色动画框架，它在重新设计的 Diffusion Transformer 中直接输入驱动视频，实现高保真动作生成和身份保持。它还推出了一个轻量级变体，用于实时流式动画，并已发布开源权重。
AtlasVLA 引入了具有持久世界-自我状态建模的双记忆架构，以克服视觉-语言-动作模型中的感知遗忘和任务进度遗忘问题，仅通过单个腕部相机即可实现最先进的长时程操作。
EffectLearner 是一个面向真实世界视频物体移除的语义推理增强框架，它将基于 VLM 的物体-效果推理器与基于 DiT 的视频擦除器相结合，并引入了 EffectWorld 数据集以处理复杂的物体引发效果。
小米发布了 XR-1，这是一个机器人基础模型，基于超过 10 万小时的真实世界操作轨迹进行训练。它基于 Qwen3-VL 和 Diffusion Transformer 构建，能够在未见过的环境中实现开箱即用的移动操作。
Transformer Transformer是一种统一模型，能够根据给定的操作演示生成优化的完整机器人本体，该模型使用在RoboTokens和Dynamics Self-Guidance上训练的扩散变换器。
WorldDiT是一种统一的扩散变换器架构，它将动作生成与视觉世界建模相结合，在LIBERO仿真套件上取得了强劲性能，且无需依赖大型预训练视觉语言模型。
NVIDIA Research 推出了 SANA-Video 2.0，这是一种混合视频扩散变换器，能够在单个 GPU 上生成高质量 720p 视频，通过混合线性-softmax 注意力和块注意力残差，实现了相比 Wan 2.2-14B 高达 120 倍的速度提升。
SANA-Video 2.0 为视频扩散Transformer引入了混合线性-softmax注意力机制，可在单个GPU上生成高达720p的高质量视频，与全softmax模型相比显著降低延迟，同时保持具有竞争力的VBench分数。
微软发布了Mage-Flow-Edit-Turbo，一种紧凑的4B参数规模的生成模型，用于高效的文本到图像生成和基于指令的图像编辑，通过协同设计的标记器和骨干网络实现了具有竞争力的最先进质量。
Microsoft发布Mage-Flow，一个紧凑的4B参数基础模型，用于高效的原生分辨率文生图和基于指令的图像编辑，实现了与更大模型相媲美的质量。