搜索：视频扩散Transformer

「视频扩散Transformer」共找到 1372 篇相关文章

SGLang｜SGLang Diffusion

来自SGLang开源社区的Yichi介绍SGLang Diffusion，它是面向图像与视频生成的全开源扩散模型推理引擎。基于SGLang机制将能力迁移到扩散模型推理，能显著提速工作流，视频展示了多种功能。

中国人民大学与蚂蚁集团团队基于前期 8B 扩散语言模型 LLaDA，提出方差缩减的偏好优化方法 VRPO，推出 LLaDA 1.5。它在数学、代码、对齐任务上性能提升，VRPO 为扩散语言模型对齐提供框架。

7 月初，字节在火山引擎 FORCE 大会上放出 SeeDance 2.5，它能一次性生成 30 秒完整成片。文章详述其能力，提出视频生成的不可能三角判断框架，还分析它会重新定价产业链上多个环节，改写产出随机性。

近期，RAE 提出以「冻结的预训练视觉表征」作潜空间提升扩散模型性能。同期西安交大与微软亚研院提出 VFM - VAE，结合 RAE 与 VAE，能加速模型收敛、提升生成质量，展示扩散模型 Tokenizer 演化方向。

WonderPlay将物理仿真与视频生成结合，从单张图像生成动态3D场景。它引入混合生成模拟器，形成物理求解器与视频生成器闭环。与其他方法对比，WonderPlay在多种场景和材质下表现更优。

新一代开源架构Mamba-3发布，由CMU普林斯顿原班人马打造，15亿参数性能比Transformer高4%，长序列任务端到端延迟仅为其七分之一。它采用新设计哲学，推理优先，有三大核心技术，还能与自注意力层混合提升检索能力。

今天上午，上海创智学院 OpenMOSS 团队与模思智能发布端到端音视频生成模型 MOVA，它是中国首个高性能开源音视频模型，能实现音画同出，全栈开源打破闭源技术垄断。

Google更新Gemini 2.5 Pro至05 - 06版。此版代码能力在WebDev Arena盲测登顶，超Claude 3.7 Sonnet；还提升视频理解，可将视频转为可视化网页，虽有产品打磨问题，但进步值得肯定。

今天给大家安利GitHub上开源神器Voice - Pro，它原本是商业付费软件，因团队无暇管理而开源。整合多个先进语音模型，将视频处理流程打包成本地软件，免费且功能强大。

研究训练新能量模型 EBT，为输入和预测分配能量值，模拟思考过程。它有跨模态、跨任务通用性，训练扩展率比 Transformer++ 高 35%，推理性能提升 29%，还在多任务中表现出色，是扩展模型能力新范式。