行业趋势

视频人物转身回来别换脸！快手等给生成模型留住中间记忆

南京大学、清华大学、快手、上海人工智能实验室等机构提出Memory Forcing，为视频生成保留开头、近期和中间事件三类记忆。它让模型在视频继续变长时，还能查到早先发生的内容。在1.3B模型测试中，VBench综合分从5秒的83.88到6

海报别靠嘴排版！复旦等让AI照着画布摆文字和图片

复旦大学、微软研究院等机构提出Compo，让用户在画布上安排图片、文字和位置，再生成海报。输入可以明确某个人物放哪里、文字写什么、哪些部分保持原样。它将布局要求变成空间约束，减少仅靠长提示词描述排版时的歧义。

数字人动画快13倍！苹果把建脸和动脸分开算

苹果研究团队提出GHARP，用少量人物照片建立数字人，再用表情信号驱动脸部动画。它把一次性的建脸与持续的动脸分开计算。在论文的A100测试中，动画阶段相对对照方法最高快约13倍，输入照片增多时，每帧动画开销仍保持固定。

3D看着像，距离就准？浙大等拿100个场景直接量

浙江大学、浙江工业大学等机构提出Pumpire，用100个真实场景检查三维重建的距离是否准确。它比较模型给出的点间距离与实测值，并考察深度信息对结果的影响。桌椅看起来像原场景，还需要量一量，才能判断三维几何能否支持实际测量。

点云也要有记忆！剑桥交大把远期运动预测误差降71.6%

剑桥大学、上海交通大学、特温特大学、华威大学联合提出MESSENGER，为连续点云运动预测加入记忆和不确定性估计。nuScenes第四个未来帧的平均误差从0.088米降至0.025米，下降71.6%。模型保留多个历史时刻的信息，再按可靠程度

视频生成自带分轨！谷歌等把人声和乐器声分别交出来

谷歌、特拉维夫大学等机构提出SepGen，生成视频时同时输出混合音频与两个独立声轨。示例包括演唱与乐器、人声对话等场景。同一模型还可以接收已有视频和音频进行分离，让画面中的发声对象参与判断声音应该归到哪一轨。

采样只用8.5%，Meta等把人手转机器手成功率提到56.2%

Meta Reality Labs、加州大学戴维斯分校、北卡罗来纳大学教堂山分校等机构提出GNR，从成功轨迹中学习如何生成机器手动作。HOT3D仿真测试中，采样量只用对照的8.5%，成功率从27.2%升至56.2%。团队由此扩展出约22.3

文字说错也不带偏？Meta等让AI看图答对率升至70.7%

卡内基梅隆大学、Meta联合提出SLVR，让AI先定位图片里的目标，再挑证据、组织答案，推理时不必写出长段过程。在300项带错误描述的诊断测试中，正确率从41.7%升至70.7%。模型可以回到画面核对颜色、数量和空间关系，减少跟着文字猜答案

画图只用25%算力，谷歌等把预算花在复杂细节上

谷歌、伊利诺伊大学厄巴纳香槟分校等机构提出BudgetPix，把生成图像的计算按细节复杂度分配。背景用较大的图块，复杂纹理保留细小图块。在论文的两组文本生图测试中，模型使用约25%的计算预算，仍得到接近完整预算的图像保真度。

修图不用长提示词！圈一下，AI就知道改哪把椅子

微软研究院、悉尼大学等机构提出VibeEdit，把修图指令放回图片画布：圈选、涂画、拖动和短注释共同指定要改的对象。用户可以直接指向一把椅子，而不用长篇描述它在画面中的位置。研究团队训练了五类编辑操作，并在419个手工整理的测试样例中检查编

4K场景渲染快23.8%，TileSkipper给每个高斯只加1字节

亚利桑那州立大学、约翰斯·霍普金斯大学提出TileSkipper，为已经训练好的3D高斯场景预先分配不同渲染阈值。在3840像素宽的固定策略扫描中，数据集宏平均加速达到1.238倍，平均PSNR变化为负0.023分贝。导出策略每个高斯只增加

星动纪元、清华让机器人先预演，14B视频模型硬刚64B

星动纪元、清华大学、香港科技大学（广州）等机构提出VPP2，先训练模型按操作指令预测后续视频，再把预测能力用于机器人动作学习。14B版本在视频指令跟随测试中平均成功率85%，高于Cosmos3-64B的74%。模型先预测接下来可能出现的画面

修图AI终于敢说做不到：VisTA拒绝93%的无解要求

南加州大学、加州大学圣迭戈分校研究了修图AI遇到无解要求时会不会停手，并训练出VisTA-BAGEL。模型先检查要求能否成立，再决定生成图片或说明矛盾。在DoD测试中，它无须额外提醒就能拒绝93%的不可行请求，同时完成74.3%的可行编辑，

OPPO、港理工把画图模型一分为二，峰值显存最多省48.36%

香港理工大学、OPPO研究院提出PVD，让两个半尺寸专家接力完成画图：前段确定结构，后段补细节。两段累计计算接近原始骨干的一次前向计算，三种文生图模型的峰值显存减少45.76%至48.36%。论文同时展示了猫、花束、咖啡与风景等生成对照，检

Adobe等让视频新物体动起来，交互编辑得分提高43.9%

Adobe研究院、罗切斯特大学提出ALIVE，让后加进视频的物体跟着原有动作参与互动。用户改好第一帧，再写出物体名称，模型就能生成拿杯子、戴耳机、打开电脑等效果。在128例交互编辑测试中，它的综合得分由对比方法的60.24提高到86.71，

微软&港理工等让视频AI先想结局，四分之一训练步数超基线

微软、香港理工大学、加州大学戴维斯分校等机构提出ProAR，让持续生成视频的模型同时预想最终画面和下一步状态。VBVR十项任务中，平均成绩从0.663升到0.801；训练2500步时就超过训练10000步的标准基线。视频生成开始按目标和规则

AI会搭场景却演不好运动？斯坦福等用200段视频考18个模型

斯坦福大学、约翰斯·霍普金斯大学、麻省理工学院、马克斯·普朗克智能系统研究所等机构提出4DCodeBench，让AI观看视频并编写能重建场景运动的图形代码。18个模型在200个场景中接受检验，榜首模型静态成绩0.91、动态0.67。评测把外

哈佛&MIT等让AI看懂物体怎么转，单目视频逐像素追踪3D运动

哈佛大学、麻省理工学院、约翰斯·霍普金斯大学等机构提出MoSE3，从单目视频同时估计每个像素的三维移动、旋转和共同运动分组。团队还构建了5000个合成场景补充运动标注。在iTACO上，完整分组版本的逐像素旋转误差为12.30度，让物体怎么动

阿里&港中大深圳等给世界模型整理记忆，删掉83.68%仍记住场景

阿里巴巴、香港中文大学（深圳）、南京大学等机构提出Spatial Memory Intelligence，让理解模型整理世界模型的历史画面。在HY1.5实验中，它删去83.68%的记忆条目，场景一致性评分从51.61提高到67.02。回到之

视频拍两分钟也不换主角？Custom Forcing免训练锁定参考对象

庆熙大学、得克萨斯大学奥斯汀分校等机构提出Custom Forcing，把参考图直接放进视频模型的长期缓存，生成特定对象时无需为它单独训练。两分钟视频中，主角相似度指标维持在约0.58至0.62。方法根据身份漂移程度加强参考信息，让持续生成