generation

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。

本文提出SF-Re2G方法，通过利用文档结构来增强检索、重排序和生成，从而改进基于文档的对话系统。该方法在中英文数据集上得到验证。

本文提出了3D视觉研究的全面分类体系，涵盖几何表示、数据集、学习范式以及在重建、生成和视频建模中的应用。

NAVA 提出了一种原生视听对齐框架，用于联合音频-视频生成，采用 Align-then-Fuse MMDiT 架构，以 6.3B 参数实现了更好的同步性和可控性。

一条推文思考：在AI陪伴下长大的第一代人是会成为超人，还是情感疏离？这引发了关于AI社会影响的讨论。

一条推文分享了一份由Hao Hoang整理的涵盖基础、微调、生成、高级概念和数学的50道LLM面试题清单。

RankE 提出了一种用于离散文本到图像生成的端到端后训练框架，通过联合优化生成器和解码器来解决潜在协变量偏移问题，同时提升对齐度与保真度。

一款新AI模型生成了令人印象深刻的逼真视频和音频，许多观察者都注意到其输出质量非常高。

LatentUMM 引入了双重潜在对齐，通过对齐转换和稳定潜在动态，来改善统一多模态模型中的跨模态一致性。

本文介绍了令牌时间连续扩散（Token Time Continuous Diffusion，简称TTCD），这是一种新型扩散语言模型，它在连续空间中运行，采用每个令牌的时间步，在条件生成和数独求解方面以高加速比优于离散模型。