图像与视频生成

Wave Forcing 联合设计因果波前生成、三阶段训练和 Wave Runtime，在流水线填充后每个并发前向轮次流式输出一个 chunk，同时保留所有去噪更新。

本文将视频生成置于智能体执行框架的视角下，该框架协调制作、世界模型交互以及面向递归自我改进的开发。

PhotoGuider 使用紧凑的学习型评分器度量四个摄影 token，以选择 360° 视角方向、对裁剪进行排序与细化、输出相机参数，并生成以测量为条件的解释。

FrameForge 将冻结的视频扩散模型适配为统一的条件图像生成：通过选择输入自适应的时间 RoPE 专家，并在条件与目标之间插入潜在推理链。

LARC 在连续潜在空间中为统一多模态模型执行推理，采用课程式 SFT 和自演化 RL 来改进图像生成并实现测试时扩展。

Wizard 是一个智能体式游戏世界模型，它将显式游戏状态控制与视频生成解耦，从而实现对场景、角色和动作的实时、零样本控制。

GLOW-FM 是一个一步式潜空间流匹配框架，用于低光图像增强；它在冻结的 Tiny-VAE 潜空间中使用终端速度匹配（TVM），且只需一次函数评估。

IDM 保留完整的内部 DMD 校正，并在生成器 EMA 特征上加入特征矩损失，从而提升 Z-Image-Turbo 和 Qwen-Image 的 2-NFE LongText 分数。

L3G-World 将在线更新的潜在 3D 高斯记忆与记忆条件化的视频 DiT 相结合，以实时生成空间一致的世界。

SpecSlot 将固定 token 预算拆分为空间锚点和频谱槽，并仅让每个锚点中径向频率最低的槽通过全局块，从而将输出细节与全局注意力解耦。

WeVisCut 连接一个有状态脚本到视频智能体 harness、一个从成片恢复可执行监督的四阶段流水线，以及一个单一 9B 策略；该策略经 SFT、运行时验证的 RFT、Guided-OPD 和 RCF-DAPO 训练，并在 100 任务基准上用五项指标评估。

OmniShowcase 通过将基于 3D 资产的数据合成管线与从参考图像重建的表面法线转台条件相结合，从多视角参考图像生成全景式主体一致的视频。

一种两阶段范式：在语义 token 上进行自回归预训练以获取视觉知识，再用冻结骨干的像素扩散阶段渲染图像，得到一个 3B 文本到图像模型，训练约 6,600 H100 GPU 小时，在 GenEval 上得分 0.86，在 DPG-Bench 上得分 87.78。