搜索：视频扩散Transformer

「视频扩散Transformer」共找到 1372 篇相关文章

硬刚Sora2，万相2.6轻松定制角色、控制分镜，普通人也能当导演

2025 年视频生成领域发展迅猛，OpenAI 的 Sora 2 带来新玩法，商业落地加速，但普通用户体验门槛高。12 月 16 日阿里发布万相 2.6 系列模型，功能全面升级，实测效果惊人，标志 AI 视频生成迈向精准可控新阶段。

本文由圣路易斯华盛顿大学与北京大学联合完成，提出DiffFNO以神经算子赋能扩散架构，支持高质、高效、任意连续倍率超分，介绍其核心思路、组件及优势，在多数据集上领先SOTA方法，为超分提供新思路，适用于多领域。

本文聚焦 Codex 学习，指出知名 AI 视频博主更新慢，而 B 站有全面的「Codex 跟练」专题，含快速安装、基础入门、进阶技巧、场景应用四个专区，不同阶段用户都能找到合适内容，视频跟练更高效。

Transformer架构核心作者之一Llion Jones团队开源新技术DroPE，可丢弃位置嵌入扩展上下文，解决RoPE长序列处理缺陷，在多模型实验中表现卓越。该团队来自Sakana AI，此前还有相关研究成果。

文章介绍快手多模态大模型 Keye-VL 1.5，参数 8B 适合中小企业。它侧重短视频场景，视频理解能力强，能与业务结合，提升推荐等场景效率。还详述其架构、预训练、后训练及训练架构优化等技术细节。

针对视觉 Transformer（ViT）‘低通滤波’特性致细节丢失问题，北京理工大学等团队提出即插即用的 FDAM 模块。它受电路理论启发，能提升模型在分割、检测等任务性能，取得 SOTA 效果，有巨大应用潜力。

视频创作中字幕制作耗时费力，剪映等工具各有局限。开源字幕工具 AutoSubs 能有效解决痛点，可一键生成高质量字幕、自动区分说话人，本地运行保障隐私，还具备多种亮点功能，使用简单。

Kimi 上线 K2.5 模型，前端审美佳，接近 Gemini 3，增强多模态识别，支持视频。测试显示它能按要求生成漂亮网页，还可通过反馈迭代。它对设计师和普通人帮助大，且 Agent 模式任务完成率高。

近期模型发布竞争激烈，作者做视频字幕常遇识别错误，因语音识别工具缺上下文。字节方舟的豆包 Seed 2.0 Lite 升级后能听，还可结合上下文准确输出字幕，成本降 20%，也能理解视频，为工作流补全感知。

字节Seed提出M3 - Agent，这是首个融合实时视听输入、类人记忆构建与自主推理的多模态智能体。它模仿人类记忆机制，解决长视频理解痛点，已被CVPR 2025收录并开源代码，为通用人工智能奠定基础。