视频大模型

LoCoT2V-Bench: Benchmarking Long-Form and Complex Text-to-Video Generation

LoCoT2V-Bench: 长文本与复杂文本到视频生成的基准测试

Xiangqing Zheng, Chengyue Wu, Kehai Chen, Min Zhang

机构 * Institute of Computing and Intelligence, Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学深圳研究院） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 针对长视频生成在复杂文本输入下的评估挑战，提出包含多场景提示与层次元数据的基准LoCoT2V-Bench，并设计多维度评估框架LoCoT2V-Eval，实验发现模型在细粒度文本-视频对齐和角色一致性方面存在显著不足。

Comments Accepted by ICML 2026 (Regular)

AdaState: Self-Evolving Anchors for Streaming Video Generation

AdaState: 用于流式视频生成的自演化锚点

Yusuf Dalva, Pinar Yanardag

机构 * Virginia Tech（弗吉尼亚理工学院） 纠错

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

AI总结 针对自回归视频扩散模型中静态首帧锚点抑制视频动态的问题，提出自适应状态锚点，通过隐变量与内容联合去噪并随时间演化，显著提升运动丰富度和场景自然演进。

Comments Project page: https://adastate.github.io/

VPG: Visual Prefix Guidance for Autoregressive Image and Video Generation

VPG: 视觉前缀引导的自回归图像与视频生成

Xinyao Liao, Qiyuan He, Yicong Li, Jiayin Zhu, Xiaoye Qu, Wei Wei, Angela Yao

机构 * National University of Singapore（新加坡国立大学） ； Huazhong University of Science & Technology（华中科技大学） 纠错

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

AI总结 提出VPG，一种无需训练、推理时引导的方法，通过对比生成前缀与损坏前缀下的模型输出来改进自回归图像和视频生成的下一步预测，提升生成质量。

Paris 2.0: A Decentralized Diffusion Model for Video Generation

Paris 2.0: 一种去中心化的视频生成扩散模型

Ali Rouzbayani, Bidhan Roy, Marcos Villagra, Zhiying Jiang

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

AI总结 本文提出Paris 2.0，首个通过去中心化计算预训练的视频生成模型，基于Paris 1.0的扩散模型框架，在低分辨率文本到视频任务中相比集中式模型将FVD从561.04降至279.01，提升约2倍，并提高了CLIP文本-视频相似度和美学评分。

Comments 6 pages, 5 figures

VRAG: Learning World Models for Interactive Video Generation

VRAG：面向交互式视频生成的世界模型学习

Taiye Chen, Xun Hu, Zihan Ding, Chi Jin

机构 * Peking University（北京大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学） 纠错

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

AI总结 针对自回归视频生成中累积误差和记忆机制不足的问题，提出视频检索增强生成（VRAG）方法，通过显式全局状态条件降低长期累积误差并提升时空一致性。

Comments Published at NeurIPS 2025. Project page: https://sites.google.com/view/vrag

YoCausal: How Far is Video Generation from World Model? A Causality Perspective

YoCausal: 视频生成距离世界模型还有多远？一个因果视角

You-Zhe Xie, Yu-Hsuan Li, Jie-Ying Lee, Kaipeng Zhang, Yu-Lun Liu, Zhixiang Wang

机构 * National Yang Ming Chiao Tung University ； Shanda AI Research Tokyo 纠错

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

AI总结 提出YoCausal基准，通过时间反转真实视频生成反事实样本，利用反向惊奇指数（RSI）和因果认知指数（CCI）评估视频扩散模型的因果理解能力，发现模型感知时间方向不等于理解因果关系，与人类水平存在显著差距。

Comments Project page: https://www.youzhexie.me/papers/YoCausal/index.html

LiveSVG: Zero-Shot SVG Animation via Video Generation

LiveSVG：通过视频生成的零样本SVG动画

Matan Levy, Ran Margolin, Bar Cavia, Dvir Samuel, Yael Pritch, Shmuel Peleg, Alex Rav Acha, Ariel Shamir, Dani Lischinski

机构 * Google（谷歌） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Bar-Ilan University（巴伊兰大学） ； Reichman University（雷赫曼大学） 纠错

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

AI总结 提出LiveSVG方法，利用视频扩散模型直接拟合目标视频实现零样本SVG动画，无需骨架或类别先验，通过双层运动表示和球体填充重着色策略解决复杂运动与颜色歧义问题。

Comments Project Page: https://levymsn.github.io/LiveSVG

DirectorBench: Diagnosing Long-Form Video Generation with Personalized Multi-Agent Evaluation

DirectorBench: 通过个性化多智能体评估诊断长视频生成

Jiamin Chen, Qianben Chen, Jiawen Zhang, Yidi Wu, Yuchen Li, Xiaokun Zhang, Wangchunshu Zhou, Chen Ma

机构 * ByteDance Inc.（字节跳动公司） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 提出DirectorBench，一种基于多智能体的诊断基准，通过80个结构化元数据、7个用户画像和40个检查点标准，在脚本、视觉、音频、跨模态和稳定性五个维度上评估长视频生成，并定位瓶颈和用户偏好依赖。

Future Forcing: Future-aware Training-free KV Cache Policy for Autoregressive Video Generation

未来强制：自回归视频生成中无需训练的未来感知KV缓存策略

Jiayi Luo, Qiyan Liu, Tengyang Wang, JunHao Liu, Jiayu Chen, Cong Wang, Hanxin Zhu, Chen Gao, Xiaobin Hu, Qingyun Sun, Zhibo Chen

机构 * BUAA（北京航空航天大学） ； ZGCA（中广核人工智能研究院） ； PKU（北京大学） ； CASIA（中国科学院自动化研究所） ； USTC（中国科学技术大学） ； NUS（新加坡国立大学） 纠错

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

AI总结 提出Future Forcing，一种无需训练的未来感知KV缓存策略，通过利用自回归视频模型中查询分布的平稳性来估计未来查询，从而改进长视频生成的一致性。

CamC2V: Context-aware Controllable Video Generation

CamC2V: 上下文感知的可控视频生成

Luis Denninger, Sina Mokhtarzadeh Azar, Juergen Gall

机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） 纠错

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

AI总结 提出CamC2V模型，通过集成多图像条件与3D约束及相机控制，实现上下文感知的连贯视频生成，在RealEstate10K数据集上FVD提升24.09%。

Comments Published at 3DV 2026

AlignVid: Training-Free Attention Scaling for Semantic Fidelity in Text-Guided Image-to-Video Generation

AlignVid: 文本引导图像到视频生成中语义保真度的免训练注意力缩放

Yexin Liu, Wen-Jie Shu, Zile Huang, Haoze Zheng, Yueze Wang, Jingjin Zhu, Manyuan Zhang, Ser-Nam Lim, Harry Yang

机构 * Hong Kong University of Science（香港科学大学） ； University of Central Florida, Orlando, FL, USA（中央佛罗里达大学） ； Beijing Academy of Artificial Intelligence, Beijing, China（北京人工智能研究院） ； The Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学） 纠错

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

AI总结 针对文本引导图像到视频生成中视觉主导导致语义编辑失败的问题，提出免训练注意力缩放调制（ASM）和引导调度（GS）方法，并构建OmitI2V基准，有效提升语义保真度且计算开销可忽略。

Native Audio-Visual Alignment for Generation

原生音视频对齐生成

Longbin Ji, Guan Wang, Xuan Wei, Chenye Yang, Xiangrui Liu, Zhenyu Zhang, Shuohuan Wang, Yu Sun, Jingzhou He

机构 * ERNIE Team, Baidu Inc.（百度公司ERNIE团队） 纠错

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

AI总结 提出NAVA框架，通过原生音视频对齐和上下文条件联合去噪，实现高质量、同步且可控的音视频生成。

Comments Project page: https://ernie-research.github.io/NAVA/

Nano World Models: A Minimalist Implementation of Future Video Prediction

纳米世界模型：未来视频预测的极简实现

Siqiao Huang, Partha Kaushik, Michael Chen, Hengkai Pan, Kaiwen Geng, Omar Chehab, Fernando Moreno-Pino, Max Simchowitz

机构 * DeepMind 纠错

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

AI总结 提出Nano World Models，一个基于扩散强迫的极简代码库，用于未来视频预测，支持可控研究世界模型的设计选择，并通过实验分析预测参数化、架构规模等因素对视频预测质量的影响。

Comments Project page: https://simchowitzlabpublic.github.io/nano-world-model/