WorldLine：万小时视频训练的动作驱动模拟器，策略成功率最高提升 21.4 个百分点
WorldLine 是动作驱动的视觉模拟器，用 1 万多小时无动作标注机器人视频学操作动力学，在 RoboTwin 与 AgiBot 上以 74% 平均准确率预测轨迹成败。
#视频
#视频
今日 14 条AGI HuntAI 评分4141 arXiv cs.AIAI 评分4242 MemEvo：自动发现流式视频记忆机制
MemEvo 提出一个 LLM 驱动的自动研究框架，将流式视频记忆设计转化为对可执行记忆程序的搜索，并产出免训练、有界内存机制。它用轻量 DSL 表达表示、准入、保留、整合、预算和检索等原语，在运行时以确定性评估流程验证候选，底层视觉语言模型全程冻结。在 StreamingBench 和 OVO-Bench 上，该方法展现出强流式视频理解性能，并显著提升上下文与推理效率。
arXiv cs.CVAI 评分3535 FastVR：基于一步扩散的高效流式视频修复
FastVR 是一个基于一步扩散模型的流式视频修复框架，可在单张 H20 GPU 上以 11 FPS 处理 1080p 视频。它结合轻量 VAE 与分块因果注意力降低推理成本，并用速度一致性正则化和连续轨迹学习提升修复质量。实验显示 FastVR 比所评估的扩散基线更高效，并在合成与真实世界 benchmark 上达到 SOTA。
arXiv cs.CVAI 评分3232 ReWorld-Track：面向语言引导多摄像头跟踪的递归事件世界模型
ReWorld-Track 面向语言引导多摄像头跟踪提出递归事件世界模型，将关联不确定性带入未来预测，用来推断下一摄像头与到达时间。该模型在 CityFlowV2 取得 65.19 HOTA、MTMMC 取得 45.36 HOTA。在 MTMMC 上其结构化后验更新较同规模通用更新器高 0.50 HOTA，下一摄像头准确率从 86.03% 升至 87.41%。
arXiv cs.CVAI 评分3636 超越二元偏好：GM-DPO 与 FlexBench 用于肢体动作描述的分级偏好优化
提出 FlexBench 基准与 GM-DPO 分级偏好优化方法，用于改善 VLM 肢体动作描述的细粒度准确性。在三个 VLM backbone 上，GM-DPO 的 GPA 分数较 DPO 提升 2.02-3.40 分，Qwen3-8B 上加权幻觉率降低 21.3%。FlexBench 含 3,105 个镜头、18,161 条评测查询，方法同时保持长文本输出并改善镜头结构。
arXiv cs.CVAI 评分3636 视频生成规模化能否支撑推理：代价究竟多大？
2x2x2 Rubik's Cube 受控基准测试显示，视频生成模型的隐藏状态推理能力并不随规模单向提升：70M 参数模型在约 0.1 PF-days 下对动作后帧可见贴纸配置预测正确率 44.6%，而 1B 模型仅 0.3%，后者需训练到 3.14 PF-days 才达到 83.7%。
arXiv cs.CVAI 评分4343 VidScribe：统一视频生成中视觉文本渲染与原位编辑的基准评测
VidScribe 是统一视频文本基准，覆盖 T2V、R2V、I2V、V2V 四种生成范式，含 803 个人工核验样本与 11 项共享指标。对 11 个商业与开源系统的评测显示，内容识别与笔画级字形正确性解耦，I2V 最能稳定保持文本，V2V 原位编辑是主要瓶颈。退化集中在少数文本结构与时序因素，而非恶劣成像条件。
arXiv cs.AIAI 评分3333 CoRe：协同演化奖励模型，缓解视频扩散模型的隐空间奖励黑客问题
CoRe 用协同演化奖励框架缓解视频扩散模型的 latent reward hacking：生成器数百步更新后即脱离奖励模型训练分布，奖励虚高而画面与运动质量下滑。CoRe 持续在生成器当前样本上重拟合奖励模型，并以真实视频偏好锚定。在 Wan2.1-T2V-1.3B 上，其生成质量优于预训练模型和既有对齐方法。
arXiv cs.CVAI 评分3838 事件边界处的预见：评估视频世界模型的物理预测能力
基于 62 段受控真实自由落体录像、124 个片段的评测显示，视频世界模型在事件结果被隐去时未必能预测接下来会发生什么。Runway 与 Veo 生成释放和后续撞击事件的比率超过 93%，但常明显滞后；Cosmos-Predict-2.5 与 MAGI-1 则多保持事件前状态，几乎产不出可测结果。在可测下落中，时间上合理不等于运动物理一致；15 人人类研究显示人类预测总体上更贴近真实未来。
arXiv cs.CVAI 评分3434 Reimagine Video Dynamics（RVD）：解耦可编辑动态 token 的视频动态编辑框架
Reimagine Video Dynamics（RVD）框架从视觉上下文中解耦出紧凑、可编辑的动态 token，并通过自监督重建学习该 token。其语言引导的动态 token 编辑器可将源动态转换为目标动态，训练使用可扩展的反事实视频对管线和两阶段策略。实验显示 RVD 支持视频动态编辑、免训练 retiming 和外观受控重渲染。
arXiv cs.CVAI 评分4040 RA-CFGCache：从分支级判据到 Classifier-Free Guidance 下的引导风险控制
RA-CFGCache 是面向扩散模型的 CFG 风险对齐免训练缓存框架，用引导风险组合与传播感知重缩放控制条件与无条件两个分支的缓存误差。它在 FLUX.1-dev、Wan2.1-T2V-1.3B 和 CogVideoX-2B 上改善了效率与保真度的权衡，兼容 TeaCache、DiCache、MagCache 类代理估算器，延迟几乎不变，代码已公开。
arXiv cs.CVAI 评分3636 PACC：通过 on-policy 蒸馏学习紧凑记忆，用于长视频生成
PACC 用可学习压缩器把历史帧聚合为紧凑 memory tokens，通过 on-policy 蒸馏训练：冻结的视频生成器在压缩记忆下当学生、在完整历史下当教师，仅更新压缩器。在 MBench 上它超过最强基线，Causal-rCM 高 6.63 分、Causal Forcing 高 3.19 分；用 MovieGen 提示词在 VBench-Long 上可生成分钟级长视频，质量与基线相当。
arXiv cs.CVAI 评分3838 SABLE：面向神经编码与解码的稀疏视图可解释 3D 动物行为表征
自监督框架 SABLE（Sparse-view Animal Behavior Latent Embeddings）以几何归纳偏置和多视角 Transformer，从极稀疏视角重建 3D 动物行为并学习显式 3D 潜结构。
arXiv cs.CVAI 评分3838 PreviewDiff：多模态 Critic 引导的扩散潜变量搜索
PreviewDiff 是一种无需训练的测试时搜索方法，把扩散采样从标量搜索变为对中间潜变量的多模态 critic 引导搜索。它在选定的去噪检查点解码部分预览，由多模态 judge 打分并给出自然语言反馈，据此对语义提示词编辑和局部重新加噪的潜变量分支做评分与选择性续跑。
AGI HuntAI 评分3232 TT-VidT 时序解耦视频预训练方法入选 NeurIPS
Spellbrush 研究员 KBlueleaf 宣布，其视频生成研究 TT-VidT 被 NeurIPS 接收。该方法在视频预训练中采用时序解耦（temporal-decoupled）思路，从视频中显式提取真实的运动信息，且只需小规模训练即可达到高质量生成效果。合作方包括 NVIDIA 与 Spellbrush。
arXiv cs.CLAI 评分2424 MexHat：面向墨西哥西班牙语视频的仇恨言论检测数据集
MexHat 是一个面向墨西哥西班牙语视频的仇恨言论检测数据集，包含约 1k 个视频片段，设有三分类（无负面内容、攻击性内容、仇恨言论内容）与含三个仇恨言论子类别的细粒度标注两项评测任务。它针对非英语多模态资源稀缺的问题，旨在捕捉墨西哥西班牙语语境下的语言与文化线索。数据集统计与基线结果均显示该任务本身仍具挑战。
arXiv cs.CLAI 评分3434 TRACE：面向流式视频理解的时间审计与条件感知评估基准
TRACE 是面向流式视频理解的条件感知评测基准与框架，把证据何时有效、视觉历史如何维护、响应如何触发显式纳入评估。它基于 517 段视频的 1,240 条记录，在 8 种配置下评测了 8 个公开模型或系统。近乎相同的 QA 准确率可能掩盖完成度、答案有效性与生成负载差异，主动性能可拆为响应质量、响应延迟、误报与漏检目标窗口。
Google ResearchAI 评分5353 Google Research 提出 AI video co-director 多智能体框架，自动化生成连贯长视频
Google Research 提出 AI video co-director，一个构建在 Gemini 和 Veo 之上的统一多智能体编排框架，用于自动化生成跨镜头连贯的分钟级长视频。