视频生成 - 青稞社区

不让每一层都“翻旧账”！浙大 & 港大最新开源 LayerRecall，让长视频记忆更准、用得更精

AI能连续生成一分钟视频，就算解决了「长视频」问题吗？真正的考验，往往发生在主角离开镜头之后。第一幕，一个穿特定服装的人出现在实验室；第二幕，他离开画面；第三幕再次返回时，模型可能已经给他换了脸、换了衣服，甚至把原本应该回来的物体也一起「忘」了。原因并不神秘。自回归视频模型通常一段一段生成画面

多模态理解可能的未来：从描述世界到进入世界

作者：Yuwei Niu 应该是从去年做完WISE 开始，碰到我的朋友都以为我是做生成出身的，但其实我从最开始做科研就是沿着CLIP LLaVA的经典多模态理解路线，并且我心中也一直更喜欢多模态理解多一些。然而，近一年以来，似乎社区的热度在多模态方面始终更倾向于生成（GPT-Image, Nano

Puffin: 统一多模态空间智能大模型——从任意视角理解和生成世界

多模态空间智能不仅要求机器理解任意相机视角下的现实世界，更要求其具备从任意相机方位创造世界的能力。然而，当前的视觉与生成模型大多仅隐式地感知相机几何，或将理解与生成任务割裂开来。新加坡南洋理工大学、商汤科技、密西根大学和马普所的研究者们联手提出了一种全新的范式——将“相机几何”破译为一种“语言”，

北大&腾讯微信AI联合提出Conan：像侦探一样推理，多尺度视觉证据的多步视频推理框架

1.引言在CVPR 2026接收的论文《Conan: Progressive Learning to Reason Like a Detective over Multi-Scale Visual Evidence》中，我们提出了基于多尺度视觉证据的多步视频推理框架，解决多模态大语言模型（MLLM

为什么视频生成稀疏注意力做不好？中科院自动化所最新提出稀疏注意力纠偏新范式

生成式视频模型正以前所未有的速度进化，从数秒短片拓展至长时段叙事，从模糊低清跃升至逼真4K。然而，随着视频时长和空间分辨率的提升，序列长度急剧增加，二次复杂度的注意力计算量随之飙升，即便采用 FlashAttention 等高效优化，推理延时仍然难以遏制。以生成一段 720p、5 秒的视频为例，单是

SANA-Series：探索图像视频扩散模型的高效设计与加速

随着 GenAI 视觉模型（如 Sora 2、Google Nano Banana）的爆炸式发展，其惊人的效果背后是庞大的计算资源消耗。图像和视频模型的推理 FLOPs 甚至远超 LLM，导致部署成本高昂，难以普及。 SANA系列模型作为高效生成式基础模型的前沿探索，通过引入线性注意力（Linear

Day 0支持HunyuanVideo 1.5！LightX2V让AI视频创作迈入实时生成时代

LightX2V：AI视频创作迈入实时生成时代就在刚刚，HunyuanVideo 1.5模型正式开源，其官方页面展示了LightX2V视频生成推理框架作为首发支持方案，助力该模型在消费级显卡上实现秒级视频生成。 LightX2V源自ModelTC Github社区，其LightLLM、LightC

ShotBench: 面向增强MLLM摄影语言理解能力的训练与评估体系

11月18日（周二）晚8点，青稞Talk 第90期，同济大学博士生刘洪博，将直播分享《ShotBench: 面向增强MLLM摄影语言理解能力的训练与评估体系》。论文：ShotBench: Expert-Level Cinematic Understanding in Vision-Language

Evaluation Agent：面向视觉生成模型的高效可提示的评估框架

8月9日（周六）上午10点，青稞Talk 第70期，南洋理工大学MMLab博士生田淑琳，将直播分享 ACL 2025 Oral 成果《Evaluation Agent：面向视觉生成模型的高效可提示的评估框架》。论文：Evaluation Agent: Efficient and Promptabl

Sparse VideoGen：无需重新训练的 DiTs 推理加速框架

5月29日上午9点，青稞Talk 第52期，加州大学伯克利分校计算机科学博士生席浩诚，将直播分享《Sparse VideoGen：无需重新训练的视频扩散 Transformer 推理加速框架》。分享嘉宾席浩诚，加州大学伯克利分校计算机科学博士一年级学生，师从Kurt Keutzer教授，研究方向

Motion Dreamer：面向自动驾驶与物理世界对齐的视频生成模型

1月14日19:00，青稞Talk 第37期，香港科技大学（广州）博士生许添硕，将直播分享《Motion Dreamer：面向自动驾驶与物理世界对齐的视频生成模型》。主讲嘉宾许添硕，香港科技大学（广州）博士生，导师为陈颖聪教授，研究兴趣是自动驾驶、视频生成。主题提纲 Motion Dreame

Follow Family：可控视频生成方法探索与应用

主讲嘉宾马跃，香港科技大学计算机博士生，清华大学电子信息硕士，主要研究领域是视频生成、图片生成等，曾在百度，腾讯 AI Lab，腾讯混元作为算法研究实习，在NeurIPS，Siggraph，AAAI，CVPR，TMM等发表多篇高水平文章，曾经获得北京市优秀毕业生等荣誉称号。主题提纲 Follow

K-Sort Arena：视觉生成模型的高效人类偏好竞技场

12月24日20点，青稞Talk 第34期，中国科学院自动化研究所博士生、新加坡国立大学访问博士生李志凯，将直播分享《K-Sort Arena：视觉生成模型的高效人类偏好竞技场》。主讲嘉宾李志凯，中国科学院自动化研究所博士生，新加坡国立大学访问博士生。研究方向为高效深度学习和模型压缩，以第一作者

CogVideoX 视频生成开源模型上手实践

9月23日20点，青稞Talk 第23期，智谱AI算法工程师，CogVideoX作者之一张昱轩，将直播分享《CogVideoX 视频生成开源模型上手实践》主讲嘉宾张昱轩，智谱AI算法工程师，CogVideoX作者之一；智谱多个开源仓库的核心贡献者。主题提纲 CogVideoX 视频生成开源模型