行业趋势

清华&长城汽车等提出SPVC：修好跨数据集驾驶视频里的结构错位

自动驾驶仿真把相机移到训练轨迹之外，3D高斯溅射生成的道路、建筑和车道线容易变形；向场景插入车辆后，前景还可能与背景错位。清华大学人工智能产业研究院、浙江大学、长城汽车、上海交通大学等机构提出SPVC，用一套两阶段视频扩散模型修复跨数据集驾

腾讯发布CoinVE-200K：一条指令同时改人、物和背景，视频最长201帧

把人物外套换色、在肩膀上加一只鹦鹉，再替换背景，现有视频编辑数据通常会把三项操作拆成三个样本。腾讯发布CoinVE-200K，把2至5种原子编辑组合进同一条指令，目标同时覆盖人物、物体和背景。

阿里云&上交等提出AViTS：只放大关键Token，扩散模型最高加速14.76倍

扩散模型从低分辨率切到高分辨率时，通常会把所有潜在Token一起放大，即使大片背景已经稳定。上海交通大学、山东大学、阿里云、西安交通大学等机构提出AViTS，依据文本相关性和跨去噪步骤的特征变化，只优先细化真正重要的Token。

英伟达等提出Hydra-0：把机器人动作变成像素流，运动误差降低90.4%

机器人换一副机械臂，原有世界模型往往就要重新学习动作含义。英伟达、布朗大学、哥伦比亚大学、哈佛大学等机构提出Hydra-0，把关节角、末端位姿等机器人专属命令转换成画面中的像素运动轨迹，让不同形态的机器人共享一种视觉动作接口。

剑桥RigidBench测8款视频模型：没有一个在10项物理指标上全面领先

剑桥大学团队提出RigidBench，用模拟器给视频生成模型建立可核对的刚体运动标准答案。8款模型在同一批100个样本上接受10项测量，没有一个模型在全部指标领先；更反常的是，模型平均SSIM越高，3D轨迹误差反而越大，相关系数达到0.89

上海AI Lab复旦中科大等让AI生成300零件3D物体，序列最长25.6万Token

上海人工智能实验室、复旦大学和中国科学技术大学等机构联合提出MegaParts，用自回归大模型生成由语义零件组成的3D物体。系统支持最多300个部件、最长25.6万Token序列，生成的门、抽屉、钢琴键等部件保持独立，便于后续移动、替换和制

腾讯港科广等让AI从一句话搭3D世界，GPT-5.5等成功率仍低于60%

香港科技大学（广州）和腾讯联合提出VibeWorlding：用户用文字或图片描述场景，智能体自行理解意图、检索3D资产、调整布局，并根据多视角渲染结果继续修改。论文的6828条查询中，GPT-5.5和Qwen3.8-Max成功率都低于60%

腾讯优图上交等发布PersonaShot：AI视频画面再漂亮，也会在切镜后忘记人物状态

上海交通大学、腾讯优图实验室和浙江大学联合发布PersonaShot，专门评估人物在多镜头AI视频中的叙事连续性。基准包含约1000个多镜头片段和16项指标。团队发现，高观感画质并不保证切镜后的物理状态、情绪变化和镜头关系保持连贯。

蚂蚁清华等发布VideoGAIA：GPT-5.5等前沿模型看视频答题仍低于60%

香港中文大学、蚂蚁集团和清华大学等机构联合发布VideoGAIA，把视频问答从“看完选答案”改成多轮调查：模型要反复观察视频、调用外部工具、搜索开放世界信息并整合证据。271项任务中，包括GPT-5.5和Kimi-K3在内的所有受测模型准确

腾讯港中文等提出ForgeWM：一步生成可玩的游戏世界，回放还能继续精修

扩散世界模型画面越精细，往往要去噪越多步，玩家按键后只能等待；压到一步生成，速度上去了，细节和稳定性又容易下降。腾讯PCG、香港中文大学、复旦大学、上海人工智能实验室、香港科技大学等团队提出ForgeWM，训练1、2、4步不同速度的学生模型

游戏世界穿地怎么办？Marionette把规则写进276维3D状态，错误减少66%

视频模型可以生成很像游戏的画面，却常在连续操控后让角色穿地、漂走或动作失真。Alaya Lab、上海创智学院、华中科技大学等团队提出Marionette，不让神经网络同时猜物理状态和像素，而是先生成276维显式3D角色状态，再由零参数几何桥

ImageNet用了14年的标签出问题：12%标错，重标后多模态模型涨5—6分

捷克理工大学视觉识别团队提出ReImageNet，重新检查ImageNet-1k的5万张验证图，发现约12%的原标签错误，33.3%的图片天然包含多个类别，还有3.8%根本找不到合适的ImageNet类别。换用新标签后，多模态大模型准确率普

百度等提出CRAFT：只用1万张参考图训练个性化生成，告别百万合成配对

给AI一张人物、宠物或物品照片，再要求它换姿势、换场景，通常需要大规模合成“参考图—目标图”配对数据。百度、DGIST、KAIST等团队提出CRAFT，只使用1万张彼此独立的参考图训练，不需要预先制作目标合成图，却能同时保持主体身份和文本指

数字人一口气说满1分钟！Omni-LiveAvatar单卡跑到21.99 FPS，提速33倍

香港科技大学iComAI Lab与Vivix Group团队提出Omni-LiveAvatar，把联合音视频扩散模型改造成少步自回归生成器，在单张NVIDIA H200上完成分钟级流式生成，速度达到21.99 FPS，相比LTX-2快33倍

阿里浙大等提出PassGen：先生成带深度的递物视频，让机器人更早伸手接东西

人拿起杯子可能是自己喝，也可能准备递给机器人。若等物体已经伸到面前才判断，机械臂反应会显得迟钝；过早误判又可能突然伸手。阿里巴巴、浙江大学等团队提出PassGen，先生成未来的RGB-D递物视频来判断意图，并利用Hand2Bot真实数据中的

视频生成训练快6倍！牛津NUS提出V-RAE，把视觉大模型表征变成视频潜空间

主流视频生成模型通常先训练一个自编码器，把像素压进潜空间，再让扩散模型从头学习其中的语义。牛津大学与新加坡国立大学提出V-RAE，直接复用冻结视觉基础模型的表征来构建视频潜空间，使生成训练最多加快6倍，并在Kinetics-600上取得19

Adobe上海AI Lab等开源HPSD：让图生视频当老师，把文生视频自己的基本功教强

图生视频有一张高质量首帧做视觉锚点，通常比只靠一句提示词更容易生成稳定画面。Adobe、上海人工智能实验室、上海交通大学、南洋理工大学和复旦大学等团队开源HPSD，让同一个图文生视频模型先以“带首帧老师”提供高质量方向，再让纯文本学生沿自己

快手港中文推出PlayWorld：让AI亲自玩9个世界模型，长时空间一致性仍频频翻车

世界模型生成的视频可能每一帧都很漂亮，但让AI玩家转身、开门、绕一圈再回来，房间结构和物体状态还能对得上吗？快手、香港中文大学、香港大学和浙江大学推出PlayWorld，用Agent玩家在171个交互场景里实测9个世界模型，把评估从“看视频

看完一个月生活视频，Gemini仍比人类低22.4分！华为南大推出EgoMonth

一个月前把钥匙放在哪、某次做饭先拿了什么、不同日期见过谁——人会把零散经历串成长期记忆，多模态模型却常在短视频问答里被高估。华为、南京大学和天津大学推出EgoMonth，收集20名参与者跨20至120天的300多小时第一视角视频，用1443

华为上交开源SCULPT：3D模型像雕塑一样逐块切开，零件还能无缝装回去

一把电钻不是不可编辑的整体，而应该由机身、电池、钻头等零件组成；这些零件单独看要完整，装回去又不能留下裂缝。华为与上海交通大学团队开源SCULPT，像雕塑家从材料上逐次切割一样，从完整3D形状中迭代取出部件，并根据物体复杂度自动决定零件数量