标签
本文介绍了JoyAI-Echo-1.5，这是一个统一的音视频生成系统，适用于长视频和交互式世界，使用跨镜头记忆和几何感知控制来保持连贯性和持久性。
ViSAGE是一个用于长视频理解的多模态智能体记忆框架，通过跨模态绑定、双向记忆精炼和多智能体交叉验证来构建自我纠正、以实体为中心的记忆，相比基线实现了5.9%的准确率提升。
字节跳动 Seed 正式发布 Seedance 2.5，这是一款新一代视频创作模型，支持30秒单次生成、多轮扩展、多模态参考和精准编辑能力，现已在 Jimeng AI 和 Doubao Pro 上推出。
LiteFrame 为视频大语言模型引入了一种高效的视频编码器，采用压缩令牌蒸馏技术，在保持准确率的同时，能够处理多达8倍的帧数并降低35%的延迟，为长视频理解开创了新的帕累托前沿。
LiteFrame提出了一种轻量级视频编码器，采用压缩令牌蒸馏（Compressed Token Distillation）训练，可降低延迟，并使视频大语言模型能够处理8倍以上的帧数以实现长视频理解，在降低计算量的同时提高准确性。
# 论文页面 - OmniScript：面向长篇幅电影视频的视听脚本生成 来源：[https://huggingface.co/papers/2604.11102](https://huggingface.co/papers/2604.11102) ## 摘要 本文提出了一项新颖的视频到脚本任务，并同步介绍了 OmniScript——一个 80 亿参数的全模态语言模型，该模型通过渐进式流水线技术训练，用于长篇幅叙事理解与时间定位。当前的[多模态大语言模型](https://huggingface.co/papers?