VBench 2.0
PulseAugur coverage of VBench 2.0 — every cluster mentioning VBench 2.0 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过自适应资源分配增强长视频生成
研究人员开发了一个名为“惊喜强制”（Surprise Forcing）的新框架，以改进扩散模型生成长视频的性能。该方法解决了当前流式自回归扩散模型在有界上下文和固定去噪时间表方面的局限性。惊喜强制通过使用“惊喜门控记忆库”（Surprise-Gated Memory Bank）来总结被驱逐的帧，以及一个基于块难度的去噪步骤调整的“惊喜感知去噪”（Surprise-Aware Denoising）过程，来优化资源分配。在VBench等基…
-
新PILA框架通过物理信息对齐增强AI视频生成
研究人员开发了一个名为PILA（Physics-Informed Latent Alignment）的新框架，以提高AI生成视频的物理合理性。PILA通过将潜在表示映射到物理属性库，并使用混合专家方法处理不同的动力学，将物理结构化引导注入现有的视频生成模型。该方法在多个基准测试中展示了最先进的结果，提高了生成内容的视觉质量和物理准确性。
-
Mamoda2.5 模型集成了多模态 AI 和高效的 DiT-MoE，用于顶级视频编辑
研究人员推出了 Mamoda2.5，一个用于多模态理解和生成的统一 AR-Diffusion 框架。该模型利用了具有混合专家 (MoE) 设计的 Diffusion Transformer 主干，拥有 128 个专家和 Top-8 路由，形成了一个拥有 250 亿参数但仅激活 30 亿参数的模型。Mamoda2.5 在 VBench 2.0 的视频编辑质量方面表现出顶级性能，超越了开源模型，并可与 Kling O1 等专有模型相媲美。…