标签
WeVisCut 是一个脚本到视频的智能体系统，通过训练一个 9B 紧凑策略来协调视频编辑工具、从故障中恢复，并在保持质量的同时大幅降低 token 消耗，在长视频生成上以约 33 倍更少的 token 达到与 Claude Opus 5 相当的性能。
# Instagram 扩大长视频测试，向流媒体服务靠拢 Instagram 正在美国扩大测试范围，允许创作者上传**长达 90 分钟的横屏长视频**，并支持将短视频片段关联至完整内容，同时推出全新的 **“Series”（系列剧集）** 工具——推动平台更像流媒体服务，尤其在电视端的体验上。
Event-STVG 提出一个面向长视频事件推理的时空视频定位基准，涵盖足球等 8 个领域、共 4,016 条标注事件；在 10 分钟时长的视频上，现有最强 MLLM 仅取得 5.4% 的 m-vIoU，凸显出长上下文事件推理与多目标定位所面临的显著挑战。
提出 Any Time, Any Space（ATAS）框架，将剧本编译为带有显式位置、相机和事件时间引用的镜头请求，通过场景记忆和事件记忆实现长时程智能体式视频生成的跨镜头时空一致性，在四种视频生成器上均提升了一致性指标，并取得最佳综合评分。
该论文提出了VideoLoop，一个具有循环工作记忆的多模态智能体，以解决长视频理解中的语义抖动问题，并在VideoMME等基准测试中展示了性能提升。
StoryEngine 提出了一个基于状态的智能体框架用于视频叙事，它维护结构化的状态表示以确保叙事连贯性和视觉一致性。在全面评估中，它展示了优于最先进方法的性能。
VideoMM 引入了一种自适应宏微观推理框架，可减少视频MLLMs中的视觉token开销，实现6.13倍的速度提升和7.4%的准确率增益，从而高效地理解长视频。
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?