视频大模型

TempAct: Advancing Temporal Plausibility in Autoregressive Video Generation via Planner-Executor RL

TempAct: 通过规划器-执行器强化学习推进自回归视频生成中的时间合理性

Jing Wang, Xiangxin Zhou, Jiajun Liang, Kaiqi Liu, Wanyuan Pang, Zhenyu Xie, Tianyu Pang, Xiaodan Liang

机构 * Shenzhen Campus of Sun Yat-Sen University（中山大学深圳校区） ； Tencent Hunyuan（腾讯混元） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； USTB（北京科技大学） 纠错

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

AI总结 提出TempAct框架，利用规划器-执行器强化学习联合优化时间分解与步骤条件执行，解决自回归视频生成中时间指令模糊、延迟反应和错误传播问题，提升时间一致性。

Arachne: Orchestrating Cascades for Efficient Text-to-Video Model Training

Arachne: 编排级联以实现高效文本到视频模型训练

Peng Yu, Yuankai Fan, Yang Qiu, Tian Li, Bihuan Chen, Yin Chen, Qizhen Weng

专题命中 视频生成 ：text-to-video(title,abstract)

AI总结 提出Arachne框架，通过将训练过程分解为细粒度计算单元（级联）并协调其分布式执行与同步，解决T2V模型训练中的负载不均和硬件利用率低问题，迭代时间最多减少65%。

DVG-WM: Disentangled Video Generation Enables Efficient Embodied World Model for Robotic Manipulation

DVG-WM：解耦视频生成实现高效机器人操作具身世界模型

Ziyu Shan, Zhenyu Wu, Xiaofeng Wang, Zheng Zhu, Ziwei Wang

机构 * Nanyang Technological University, Singapore（南洋理工大学（新加坡）） ； Beijing University of Posts and Telecommunications, Beijing, China（北京邮电大学（中国北京）） ； GigaAI 纠错

专题命中 视频生成 ：video generation(title,abstract)

AI总结 提出解耦视频生成世界模型（DVG-WM），将世界模型分解为动力学学习和视觉合成，通过流匹配直接映射动力学到视频潜变量，并引入潜变量退化机制再生接触细节，在LIBERO和真实平台实现高达3.97倍加速。

WorldDirector: Building Controllable World Simulators with Persistent Dynamic Memory

WorldDirector: 构建具有持久动态记忆的可控世界模拟器

Hanlin Wang, Hao Ouyang, Qiuyu Wang, Wen Wang, Qingyan Bai, Ka Leong Cheng, Yue Yu, Yixuan Li, Yihao Meng, Zichen Liu, Yanhong Zeng, Yujun Shen, Qifeng Chen

机构 * HKUST（香港科技大学） ； Ant Group（蚂蚁集团） ； ZJU（浙江大学） ； CUHK（香港中文大学） 纠错

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

AI总结 提出WorldDirector框架，通过LLM协调3D轨迹与相机运动作为视频生成控制信号，解耦语义运动编排与视觉生成，实现持久动态对象记忆和自由视角探索。

Comments Project Page: https://worlddirector.github.io/

Unified Panoramic-Gaussian Representation for Monocular 4D Scene Synthesis

统一全景-高斯表示用于单目4D场景合成

Yuankun Yang, Yi Wei, Wenyang Zhou, Li Zhang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Central Media Technology Institute, Huawei（华为中央媒体技术研究院） 纠错

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

AI总结 提出PanoGaussian，结合全景轨迹引导与显式动态高斯表示，解决单目视频4D场景合成中视角外区域推断不一致和动态内容建模问题。

Comments Accepted at ECCV 2026

HCMS: Head-Chunked Multi-Stream Pipeline for Communication-Computation Overlap in Long-Sequence Parallel Attention

HCMS: 用于长序列并行注意力中通信-计算重叠的头分块多流流水线

Chao Yuan, Pan Li, Yingnan Sun, Jing Liu

专题命中 视频生成 ：video generation(abstract)

AI总结 提出HCMS方法，通过将注意力头分块并利用双CUDA流实现细粒度通信-计算重叠，在长序列并行注意力中加速10%-17.5%。

Comments 11 pages, 4 figures, 17 tables

SimWorlds: A Multi-Agent System for Dynamic 3D Scene Creation

SimWorlds: 一个用于动态3D场景创建的多智能体系统

Chunjiang Liu, Xiaoyuan Wang, Haoyu Chen, Yizhou Zhao, Ming-Hsuan Yang, László A. Jeni

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； University of California, Merced（加州大学默塞德分校） 纠错

专题命中 视频生成 ：video generation(abstract)

AI总结 提出多智能体框架SimWorlds，通过规划-编码-审查流程和运行时状态检查工具，从文本生成动态4D场景，并引入基准4DBuildBench评估视觉保真度和物理一致性。

Comments 20 pages, 3 figures. Project page: https://dynsimworlds.github.io