generation

一条推文讨论了Claude Fable 5 Max在克莱因瓶上生成一个宝可梦填字游戏，但表达了怀疑，认为模型可能从训练数据中记住了这个设计。

中国已开发出生成最长一分钟的高度逼真AI视频的能力，标志着AI视频合成领域的重大进步。

本文介绍了一种离散扩散模型的统一概念框架，通过分词、状态空间构建来分析其设计空间，并强调了训练、推理和扩展中的权衡。

Wan-Dancer 提出了一种层次化框架，用于从音乐生成分钟级别的连贯舞蹈，解决了长时间编舞生成的挑战。

本文介绍了SpectraReward，一种无需训练的奖励函数，利用预训练的多模态大语言模型（MLLM）作为文本到图像生成中强化学习的零样本奖励模型，在多项指标上持续优于先前方法。

GPT-5.6-Sol 在近一周内自主生成了精确的基于体素的曼哈顿。

用户称赞Grok 4.5的速度和质量，上传个人网站PRD后3分钟生成，效果不错。

本文研究了多模态大语言模型在生成过程中的令牌级注意力转移，揭示了其中的一致模式，并提出了一种简单的测试时干预方法，显著提升了任务性能。

本文提出了COMPASS，首个能够同时锚定组合意图控制，以进行组合感知和组合引导生成的统一多模态框架，并引入了共享专家令牌和Comp-11数据集。

AVTok提出了一种用于音视频生成的统一一维标记器，采用双流Transformer架构，具有共享编码器-解码器和模态特定查询，实现了紧凑的潜在表示，在重建和下游生成任务中表现出色。

Nvidia声称使用扩散模型在文本生成上实现15倍加速，一次性生成整个文本块。

A2e是一款用于视频和图像生成或处理的AI工具。

连续批处理已添加到TRL的GRPO中，提高了速度并减少了VRAM使用，无需vLLM。推文解释其工作原理及适用时机。

UnityShots 是一个基于记忆的多镜头音视频生成系统，通过固定大小的长期记忆槽和短期记忆槽，结合边界条件门控与离散切类型先验，在视频切换中保持主体外观和音频的一致性。该系统在跨镜头一致性指标上优于开源基线，并达到与闭源系统相当的水平。

UniDDT提出了一种解耦扩散变换器框架，通过利用Noisy ViT编码器和LLM进行语义编码，统一了多模态理解与生成，在两个任务上均取得了强劲性能。

Anthropic 推出了 Claude Fable 5，一个强大的 Mythos 级模型，同时一位开发者分享了一个包含50多个着陆页的仓库，这些页面均由其生成，并保留了提示词供社区使用。

该评论承认该模型在编辑方面是SOTA，但在生成方面不是。

本文提出UniTok，一种将连续时间序列转化为离散标记的通用分词器，以及UniTok-FM，一个基于下一标记预测预训练的基础模型。该模型支持零样本和提示增强预测，以及通过无需训练的上下文推理实现少样本生成和分类——这是以往工作未能实现的能力。

SenseNova U1 是一个统一模型，在同一个架构中处理文本和图像的理解、推理与生成，能够端到端地完成规划信息图等任务。

介绍了六种AI agent工作流形式：分类并执行、扇出并综合、对抗式验证、生成并筛选、锦标赛、循环至完成。