标签
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。
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。
Mage-Flow 是一个紧凑的 4B 参数生成栈，用于高效的文本到图像生成和基于指令的图像编辑，具有共同设计的轻量级分词器（Mage-VAE）和经过整流流匹配训练的原生分辨率多模态扩散变换器。它在单个 A100 GPU 上实现 0.59 秒的高分辨率生成，同时达到具有竞争力的性能。
提出了M2GDT，一种新颖的MKGC框架，它利用MLLM引导的扩散Transformer与关系自适应混合专家模型来对齐和去噪多模态特征，在三个基准数据集上优于基线方法。
本文介绍了VideoRAE，一种表示自编码器，它利用冻结的视频基础模型来创建紧凑、可重建且利于生成的视频潜在表示。该模型在UCF-101上取得了最先进的结果，且收敛速度优于其他自编码器。
FreyaTTS 是一款紧凑型、无需分词器的土耳其语优先文本转语音模型，基于非自回归条件流匹配扩散变换器，以远小于大型系统的参数量实现了最先进的性能，并基于 Apache-2.0 许可发布。
介绍使用动作条件世界模型进行数字遥操作，为机器人技术生成多样化训练数据，将数据收集与物理硬件解耦。该系统实现实时生成，并支持零样本Sim2Real迁移。
PointDiT提出了一种极简的像素空间扩散变换器，使用纯ViT架构进行单目几何估计，在超越复杂基于潜空间模型的同时，在模糊区域保持简洁性和鲁棒性。
NeuWorld 是一个新的交互式视频生成系统，它利用紧凑的神经隐式场景表示以及结合扩散变换器的变换器VAE，实现轨迹条件渲染，达到长时一致性。
MirrorPPR 提出了一种基于示例的人像修图框架，采用带有 LoRA 适应的扩散变换器和自增强训练数据，实现了卓越的质量和身份保持。
EO-WM提出了一种视频扩散变换器，用于概率性地球观测预测，该模型融入了物理信息条件，以捕捉天气驱动的不确定性，从而在极端天气下实现了对植被指数的更好预测。
MaineCoon是一款22B参数的实时文生音频视频模型，在单张H100 GPU上可达47.5 FPS，支持低成本、长时长的流式生成，同步语音与画面，用于实时AI角色。
MeshFlow 引入了一种等变最优传输流匹配模型，用于直接生成三角形网格，在达到最先进质量的同时，相比自回归方法提供了约18倍的推理加速。