视频大模型

FlowLong: Inference-time Long Video Generation via Manifold-constrained Tweedie Matching

FlowLong: 通过流形约束的 Tweedie 匹配实现推理时的长视频生成

Jangho Park, Geon Yeong Park, Gihyun Kwon, Jong Chul Ye

机构 * KAIST（韩国科学技术院） ； Amazon（亚马逊） 纠错

专题命中 视频生成 ：video generation(title,abstract)；long video(title,abstract)；video diffusion(abstract)；分类 cs.CV

AI总结 本文提出了一种新的推理时长视频生成方法，通过流形约束的Tweedie匹配在重叠滑动窗口中生成长视频，同时保持时间和空间一致性，并且无需额外训练。

Comments Project Page: https://flowlong-video.github.io/

THEval. Evaluation Framework for Talking Head Video Generation

THEval：谈话头视频生成的评估框架

Nabyl Quignon, Baptiste Chopin, Yaohui Wang, Antitza Dantcheva

机构 * Inria Centre at Université Côte d’Azur（Inria 雅克-路易·科蒂尔大学中心） ； Shanghai AI Laboratory（上海人工智能实验室） ； da/sec - Biometrics and Security Research Group, Hochschule Darmstadt（da/sec 生物识别与安全研究组，达姆斯塔特大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出了一种新的评估框架，用于评估生成谈话头视频的质量、自然性和同步性，通过8个指标来衡量，并通过大量实验验证了现有方法在生成表情和无瑕疵细节方面的不足。

Comments CVPR 2026 Findings, Project Page: https://newbyl.github.io/theval_project_page/

Dynamic Video Generation: Shaping Video Generation Across Time and Space

动态视频生成：跨时间和空间的视频生成塑造

Shikang Zheng, Jingkai Huang, Jiacheng Liu, Guantao Chen, Lixuan, Yuqi Lin, Peiliang Cai, Linfeng Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； South China University of Technology（华南理工大学） ； Tsinghua University（清华大学） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出DVG框架，通过在时间和空间上联合分配计算，自动选择内容感知的加速策略，实现近无损加速，展示了在视频生成中的高效性能。

Goodbye Drift: Anchored Tree Sampling for Long-Horizon Video-to-Video Generation

告别漂移：用于长时视频到视频生成的锚定树采样

Matthew Bendel, Stephen W. Bailey, Mithilesh Vaidya, Sumukh Badam, Xingzhe He

机构 * Descript, Inc.（Descript公司） 纠错

专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV

AI总结 本文提出了一种名为锚定树采样的方法，通过减少关键路径步骤来解决长时视频生成中的漂移问题，并在静态相机模式下实现了稳定且高质量的视频生成。

Comments 30 pages, 23 figures

Tiny-Engram: Trigger-Indexed Concept Tables for Generative Vision

Tiny-Engram: 生成视觉中的触发索引概念表

Runyuan Cai, Yiming Wang, Yu Lin, Xiaodong Zeng

机构 * AutoArk-AI 纠错

专题命中 视频生成 ：video generation(abstract)；video diffusion(abstract)；分类 cs.CV

AI总结 本文提出Tiny-Engram，一种紧凑的触发索引概念表，通过显式地为视觉记忆分配词汇地址和激活边界，实现对冻结图像和视频生成器中的概念的控制。该方法通过注册的n-gram匹配索引参数化每个概念，仅在匹配触发区域调节文本编码器的隐藏状态，从而在保持周围提示的组合控制的同时，将罕见触发短语绑定到目标身份。

RoadTones: Tone Controllable Text Generation from Road Event Videos

RoadTones: 从道路事件视频生成可调节语气的文本

Chirag Parikh, Siddhi Pravin Lipare, Ravi Kiran Sarvadevabhatla

机构 * CVIT & iHub-Data, IIIT Hyderabad, India（CVIT与iHub-Data，IIIT海得拉巴，印度） 纠错

专题命中 视频生成 ：video-language(abstract)；分类 cs.CV

AI总结 本文提出RoadTones-51K数据集和RoadTones-VL-CoT模型，通过生成语气条件的推理草稿提升可解释性，并引入RoadTones-Eval评估体系，共同为上下文敏感的可调节视频描述奠定基础。

Comments Accepted at CVPR Findings 2026. Project page: https://roadtones.github.io/

Lance: Unified Multimodal Modeling by Multi-Task Synergy

Lance：通过多任务协同实现统一多模态建模

Fengyi Fu, Mengqi Huang, Shaojin Wu, Yunsheng Jiang, Yufei Huo, Hao Li, Yinghang Song, Fei Ding, Jianzhu Guo, Qian He, Zheren Fu, Zhendong Mao, Yongdong Zhang

机构 * Intelligent Creation Lab, ByteDance（字节跳动智能创作实验室） 纠错

专题命中 视频生成 ：video generation(abstract)；分类 cs.CV

AI总结 本文提出Lance，一种轻量级的原生统一模型，支持图像和视频的多模态理解、生成和编辑。该模型通过协同多任务训练的实用范式实现统一多模态建模，基于统一上下文建模和解耦能力路径两个核心原则，通过双流混合专家架构实现联合上下文学习并解耦理解和生成路径。

Comments 34 pages, 14 figures, 10 tables, homepage url: https://lance-project.github.io , code url: https://github.com/bytedance/Lance

WorldString: Actionable World Representation

WorldString: 可行动态世界表征

Kunqi Xu, Jitao Li, Jianglong Ye, Tianshu Tang, Isabella Liu, Sifei Liu, Xueyan Zou

机构 * CalTech（加州理工学院） ； UC San Diego（南加州大学） ； Tsinghua University - IEI Lab（清华大学-IEI实验室） ； NVIDIA（英伟达） 纠错

专题命中 视频生成 ：video generation(abstract)

AI总结 本文提出WorldString，一种能够通过点云或RGB-D视频流直接学习现实物体状态流形的神经架构，为构建可行动态世界模型提供基础构建块。