VTR-Bench：视频生成中视觉文本渲染能力的系统评测基准
VTR-Bench 提出一套系统评测基准，专门评估视频生成模型的视觉文本渲染能力，包含 300 个覆盖广告、科学视频等五类场景的提示词，并开发了与人工对齐的自动化评测流程。
#视频
#视频
今日 6 条Hugging Face Daily PapersAI 评分3939 Hugging Face Daily PapersAI 评分4444 OneStreamer：统一流式视频交互中的感知、记忆与主动响应
OneStreamer提出通过共享的主动生成过程，联合学习查询无关的证据记录与任务响应，其主动分层字幕记忆（PHCM）生成带时间锚定的局部细节字幕与已完成事件摘要，在不回溯历史视觉特征的情况下提供可复用的事实上下文。
Hugging Face Daily PapersAI 评分4343 视频大模型时序推理为何在输出层“褪色”：TAI 方法无需训练即可增强时序表征
视频大语言模型（VideoLLMs）的时序推理能力在中间层达到峰值，却随层数加深逐渐衰减至输出层，导致反转帧序后预测结果往往不变。研究者据此提出 Temporal Activation Injection（TAI），在峰值层提取时序表征并注入后续层，无需训练即可在三个 VideoLLM 和四个基准上稳定提升时序推理，且对非时序任务影响极小。该研究已被 NeurIPS 2026 接收。
Hugging Face Daily PapersAI 评分4141 World Observer：面向持久世界建模的 actor-observer 联合生成
World Observer 通过联合生成一个 actor 视角与一个或多个全景 observer，让离开 actor 视野的物体在 observer 中持续演化，从而在重新进入视野时保留其状态与动态。
Hugging Face Daily PapersAI 评分4141 ROWBench：视频模型能否渲染出程序所指定的内容？
PROWBench 是一个评估视频模型对程序指定世界事件还原保真度的基准，包含 170 个程序化构建的片段和 600 段代理视频，记录实体状态与带时间戳事件（含镜头视野外事件）作为可重放世界记录。
Hugging Face Daily PapersAI 评分3636 4Director：用刚性 3D 几何控制视频世界模型
4Director 是一个以显式 4D 场景表示为条件的视频世界模型，将每个物体从输入图像重建为规范网格，并按每帧一个刚性变换驱动其运动。它把受控场景渲染为深度视频，再通过 Motion Adapter 合成视角一致的外观、光照与非刚性动态。团队构建了含 20,774 个片段的 RealCOD-Rigid 数据集，并提出 IG-IoU 指标，实验显示其在视觉质量与相机、物体控制上均优于此前方法。
AK@_akhaliqAI 评分2929LongLive-Plug 面向视频生成的一次性通用蒸馏 paper: https://huggingface.co/papers/2609.38154
Hugging Face Daily PapersAI 评分3939 LEAP：面向长音视频感知的学习式分块证据检索框架
LEAP 通过将录音切分为固定时长块、用轻量定位阶段为每块候选窗口打分，再把高分窗口汇聚后单次有界重编码作答，使答案输入与峰值上下文不随录音时长增长。在多个 AVQA 基准上，LEAP 较 Qwen3-Omni-30B-A3B 基线提升 4.5-16.8%，迁移到 MiniCPM-o 4.5 后超出其已发表结果 3.1-13.0%。
Hugging Face Daily PapersAI 评分3434 MemLife：面向长期第一视角视频记忆的整理与推理系统
MemLife 是一个多模态记忆系统，通过构建实体锚定的第一人称文本片段，并用时间索引的智能体读取器进行检索，在无需训练、查询时不访问原始视频的情况下，于四个长时程基准上比最强免训练基线提升 4.6–12.0%。配套的 MemOpt 强化学习框架优化记忆写入器，使 MemLife 再提升 2.7–5.0%，且增益可跨写入器与读取器骨干及不同记忆系统泛化。
Hugging Face Daily PapersAI 评分4040 StreamMAE：让自监督学习在连续视频流上奏效
研究团队构建了 95 小时城市步行游览视频数据集 WT++，用于严格按时间顺序、滑动窗口批次的流式自监督预训练。结果显示对比学习和蒸馏方法在此设定下表现不佳，MAE 较稳健但仍不及标准 i.i.d. 预训练，主要瓶颈是批内帧高度相似。
Hugging Face Daily PapersAI 评分4040 PixelUMM：无编码器的统一图像与视频理解生成模型
PixelUMM 是一个无需编码器的统一多模态模型，直接在像素空间完成图像与视频的理解和生成，将图像表示为空间 patch、视频表示为时空 tubelet，通过单层线性投影接入共享多模态主干。
Hugging Face Daily PapersAI 评分3535 Adaptive Reward Routing：面向音视频联合扩散模型的前向过程 RL 动态多奖励优化
针对音视频联合扩散模型的多奖励强化学习，研究者提出 Adaptive Reward Routing，在 DiffusionNFT 前向过程 RL 中同时自适应调整更新位置与奖励组合。
Hugging Face Daily PapersAI 评分3333 视频-音频联合与跨模态生成及编辑：统一形式化与设计分类体系
一篇综述将联合生成、跨模态生成与联合编辑统一形式化为音视频对分布上的三类问题，并提出沿五个设计轴比较方法的分类体系。该工作称首次系统梳理联合音视频编辑，将其划分为九类编辑、涵盖 28 种编辑类型，并整理了各设定的方法、数据集与指标。
Hugging Face Daily PapersAI 评分4242 DataMagic：通过声明式多智能体编排创作数据视频
DataMagic 提出一种从原始表格数据自动生成数据视频的声明式多智能体编排方法。其 DVSpec 规范统一图表、旁白与动画并保证数据溯源，配合“先生成后编排”策略优化叙事连贯性。在 109 个真实样本上，DataMagic 将质量分数从 GPT-5 的 2.13/5 提升至 3.89（+83%），执行成功率超 95%，并将创作耗时降低 79.7%。
MiniMax (official)@MiniMax_AIAI 评分3434
引用Nunchux AI@NunchuxAIIntroducing VC-Attention: fast and accurate low-bit attention without retraining. On MiniMax-H3, VC-Attention speeds up attention by 1.6× on B200 and 1.5× on B300 over FlashAttention-4, with better fidelity than SageAttention2. It also works with existing sparse attention methods. Two key innovations: • V-Smooth reduces value quantization error. • ExpCast-FP8 speeds up softmax. Nunchux Attention, our proprietary extension, pushes the speedup to 1.9× on B200 and 1.8× on B300. Blog: http://www.nunchux.ai/blog/attention-is-the-video-bottleneck Technical Report: http://arxiv.org/pdf/2609.15810 Joint work by researchers at MIT, CMU, UC Berkeley, Stanford, and NVIDIA.
Runway NewsAI 评分5353 Runway 详解实时视频生成研究：从 Gen-4.5 后训练到流式输出
Runway 分享其实时视频生成研究的整体思路，目标是把视频模型从整段生成转向优化首帧时间和随提示流式输出。方法上基于 Gen-4.5 等基础模型做后训练，先将架构改为时间因果、逐帧自回归生成，再通过两阶段分布匹配蒸馏（先 off-policy 后 on-policy）把每帧压缩到几步推理，配合渐增序列长度课程减少误差累积，同时针对并发会话构建推理服务栈。