行业趋势

阿里Wan-Animate-2把角色动画跑到24 FPS，还能用文字改机位

上传一张角色图和一段驱动视频，系统可以让新角色复现动作，并用文字改变输出镜头。阿里巴巴通义实验室公布的Wan-Animate-2还提供轻量版，在400×720分辨率、4张NVIDIA H100上达到24 FPS。

低分辨率深度传感器也能生成密集3D：合成训练跨过3款真实设备

韩国科学技术院、中国科学技术大学和微软亚洲研究院提出一种稀疏dToF深度补全模型。它只用合成数据训练，却在六个数据集和三款真实直接飞行时间传感器上做零样本测试，把低分辨率、带噪的测距点补成密集度量深度图。

老电影不再分开修画面和声音：22B模型一次处理噪点、闪烁与嘶声

中国科学技术大学和京东探索研究院提出OmniVR，用一个22B参数音视频生成模型同时修复历史影片。输入里的模糊、噪点、闪烁、低曝光、嘶声、削波和声音缺失，会在统一扩散过程中处理，而不是先修画面、再接独立音频工具。

让视频智能体自己改代码：四轮进化后准确率从38.44%升至51.47%

阿里巴巴、浙江大学、北京航空航天大学和字节跳动团队发布MetaVideoAgent，让长视频问答智能体根据目标视频类型自动修改自己的处理流程。四轮进化后，八类视频的宏平均准确率从38.44%升到51.47%。

可灵团队把生成、参考和编辑串成多镜头工作流，单卡做到16 FPS

清华大学、南京大学、快手可灵团队、上海科技大学和香港科技大学提出ContextMaster。它把文字生成、参考图生成和视频编辑放进同一个多轮工作流，每次接受的新镜头都会加入历史，供后续镜头继续使用。

搜图也能连续追问：CoCo-IR四轮检索命中率做到44.1%

伊利诺伊大学厄巴纳-香槟分校、Google DeepMind和OpenAI研究者提出CoCo-IR，把“拿一张参考图加一句修改要求”的图像检索，扩展为可连续追问的多轮搜索。用户可以先换颜色，再改背景，随后引用前面某一轮的视角或物体继续筛选。

视频剪完才知道好不好，阿里等把偏好反馈拆回每个编辑片段

长视频编辑智能体要连续做素材选择、剪切、排序、字幕和导出，最终成片出炉后才得到好坏评价。阿里巴巴、中国科学技术大学等机构提出GRPB，把同一任务多版成片的相对排名，重新分配给中间编辑片段，用于训练9B参数的Crayotter。

让深度研究智能体先看完视频再搜索，200道多跳题做到64%

论文公开页面未披露作者机构。Video-DeepResearch团队研究的任务要求模型先在连续画面里找到人物或物体，再去网页补充外部知识；团队发现，现有智能体常跳过视觉工具直接搜索文字，或凭模型记忆作答。新系统因此分阶段开放工具，强制先完成

AI看见了异常像素，仍照着重复模板写错代码

网页里连续出现几张相同卡片，其中一张明显更宽。多模态模型先算出它接近120%，最后却把代码填成和其他卡片一样的100%。一项由威廉与玛丽学院团队完成的研究，把这种错误称为“视觉模式补全偏差”。

腾讯把3D理解、生成和编辑塞进一个模型，训练数据达8700万

腾讯混元公布Hunyuan3D-Buffalo 1.0，把3D问答与定位、文本生成3D、指令编辑3D和指定部件生成放进同一套架构。训练语料总规模为8700万条，包括2500万理解样本、5000万文本到3D配对和1200万编辑配对。

20个世界模型参加反应力考试，视频逼真不代表世界会回应

中国科学院自动化研究所、香港中文大学、清华大学等团队发布WorldExam，用1474个案例评测20个可控视频与世界模型。没有一款模型同时覆盖大量任务并保持稳定高表现，画质好、指令完成度高，也不保证场景会作出合理反应。

剑桥南洋理工给7款视频模型出文化考题，漂亮不等于懂

南洋理工大学、剑桥大学、新加坡管理大学和CentraleSupélec团队发布CultureVidBench，用1000条提示测试7款文本生成视频模型。结果显示，模型能生成语义相符、画质不错的视频，却常把服饰、文字、仪式步骤和声音线索做错。

美团清华训练150多个VLM，选视觉底座可以提前算

美团与清华大学团队训练了150多个视觉语言模型，覆盖34个大语言模型和7个模型家族，尝试在多模态训练开始前预测哪一个LLM更适合做视觉底座。

阿里通义把人类视频变成18561小时机器人训练数据

阿里巴巴通义千问、中国人民大学、上海科技大学、北京通用人工智能研究院和北京航空航天大学团队发布Ego2Robot，把人类佩戴相机拍下的第一视角操作视频转换为机器人训练数据。整套数据达到18561小时，覆盖15种机器人形态。

AI图片检测器拿到0.9999高分，实际可能只认出了文件格式

俄罗斯Sirius教育中心和高等经济大学团队用186527张电商评价图片训练AI生成检测器。产品完全隔离的测试集上，最强模型PR-AUC达到0.9999；把合成图重新编码成真实图片常见的格式后，成绩跌到0.7254。

一张产品图塞进视频还能跟着路线跑，FlexComposer公布结果

香港科技大学、浙江大学、香港中文大学和斯坦福大学团队发布FlexComposer。用户提供背景视频、前景图片或视频，再画一条移动轨迹，模型会把素材放进场景，同时生成遮挡、光照、阴影和反射变化。

微软与DeepMind团队只加一个Token，视觉检索提高13.4分

伊利诺伊大学厄巴纳-香槟分校、微软研究院和Google DeepMind研究人员提出ReToken，通过一个可学习的检索Token，从大量图片或长视频帧中筛选与问题相关的视觉信息。

月之暗面测试16个多模态模型，视觉准确率无人过60%

月之暗面发布多模态评测集PerceptionBench，用3000道短答案题测试16个前沿模型的基础视觉感知。最高准确率为59.7%，排名第二的Kimi K3为58.5%，没有模型达到60%。

UIUC、微软、DeepMind提出ReToken：一个可学习token让视觉检索大涨13个点

把上百张图片或一小时长的视频塞给视觉语言模型，答案明明就在某一帧里，模型却常常答不对。上下文越长，干扰画面越多，成绩掉得越厉害；而把整段视觉序列全量处理，显存又先撑不住，全量微调的成本更是高昂。伊利诺伊大学厄巴纳-香槟分校（UIUC）联合微

Adobe提出Chimera混合扩散Transformer：训练约600 H100天，5秒视频零样本拉长到30秒

视频生成正在变成一道长序列题：一段高分辨率视频摊成 token 后动辄十几万，扩散 Transformer 里的全注意力显存随帧数平方膨胀，训练账单越来越贵。Adobe Research 提出 Chimera，一套混合视觉扩散 Transf