标签
CaM-Wolf是首个面向狼人杀等社交推理游戏的多模态AI智能体，集成了视频感知与生成，并通过强化学习训练的因果感知推理器来处理隐藏角色和社交推理任务。实验和用户研究显示，它在游戏表现和人机交互质量上均有显著提升。
宣布推出开源SOTA视频生成模型MiniMax H3，具备商业级生成能力、无与伦比的成本效益以及开放权重。
MiniMax 发布 H3，这是一款开放的多模态生成模型，支持文本、图像、视频和音频，可生成最长 15 秒的 2K 视频并带有原生立体声，同时计划开源模型权重。
Comfy-Org 为 ComfyUI 重新打包了 MiniMax-H3 模型文件，包括扩散模型、文本编码器和 VAE，并提供了用于文本生成视频、图像生成视频和参考生成视频的工作流模板。
本文介绍了 ODEWorld，一种使用物理时间流（PT-Flow）的连续时间潜在世界模型，该模型学习由常微分方程参数化的潜在速度场，能够实现任意时间分辨率、回溯预测，并改进视频生成和机器人控制的规划。
PhiZero是一个物理世界模型，它从视频中学习一种称为“物理语言”的紧凑离散表示，并在渲染未来视频之前用它来推理世界状态的转换，从而在生成和理解任务中提高物理一致性。
NVIDIA推出并行解码蒸馏（PDD）技术，用于加速图像和视频生成，能够以更少的神经函数评估在LTX-2.3和Wan2.1-14B等模型上实现高质量输出。
LeapTalk 提出了一种新颖的框架，通过单步桥接蒸馏克服了说话头生成中的延迟-质量权衡，实现了高达 200 FPS 的稳定实时生成，并减少了身份漂移。
介绍了VideoCoCo，一种代理双引擎框架，使用可执行的Blender代码作为思维链中间表示，用于物理一致的视频生成，在PhyGenBench和VBench-2.0上取得了最先进的分数。
StatePlay 提出了一种状态感知游戏世界模型，该模型联合预测视觉内容和游戏状态，以生成机制一致的游戏推演，在机制保真度上提升了18.6%。
Mirage Avatar X by Captions 仅用10秒视频就能创建逼真的数字分身，保留身份特征、表情和举止，且无质量衰减。
TopviewAI 的 Film Studio 为 AI 视频生成提供了六种控制，包括表演指导、镜头控制和 3D 场景布局，让电影制作人能够执导镜头，而不仅仅是提示片段。
并行解码蒸馏（PDD）是一种基于轨迹的蒸馏方法，通过每次网络评估预测多个去噪步骤来加速图像与视频生成，在 LTX-2.3、Wan14B 和 Qwen-Image 等模型上仅需 4-8 次函数评估即可达到最优性能。
Sol-Attn 提出了一种无需训练的方法，用于视频生成推理的注意力稀疏化，通过在线softmax过程中动态选择键值块，实现了超过2倍的速度提升，且质量损失极小。
FilmBench是一个面向电影级视频生成的新基准，其提示源自跨越20种类型的获奖影片，并采用包含35+子指标的三级电影级分类体系。它包含一个开源自动化评估代理(FilmOps)，该代理以高相关性复现人工模型排名，揭示了动态美学和多镜头表现方面的显著差距，相较于以往的网页风格基准。
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。
A GitHub repository video-shotcraft provides 106 shot recipes, 162 styles, and 161 dynamic previews organized as Agent Skills for AI video generation using Remotion and compatible with Claude Code and Codex.
LTX-Video 是 Lightricks 开发的一个开源 Python 仓库，用于在本地使用 LTX-Video 模型生成和调节视频，支持文本/图像输入、多条件工作流程，并与 ComfyUI 和 Diffusers 集成。
ComfyUI是一款开源的、基于节点的AI创作引擎，让构建者和视觉专业人士无需编码即可设计复杂的生成工作流，支持图像、视频、音频和3D，具备部分重新执行能力和广泛的模型支持。
Black Forest Lab's Flux 3 是一种新型的全模态AI模型，能够生成和预测图像、视频、音频和动作。