- 论文公开站arXiv
ViTeX-Bench：高保真视频场景文本编辑基准
ViTeX-Bench: Benchmarking High-Fidelity Video Scene Text Editing
视频生成日益逼真可控，但视频编辑仍欠成熟，尤其是需保持原始场景动态的精确局部编辑。视频场景文本编辑需替换店面招牌等场景表面上的文字。
- 论文公开站arXiv
反事实视频生成实现可扩展人形机器人移动操作
Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation
通过视觉模仿教授人形机器人移动操作技能（如搬运多样物体）是通向通用机器人的有前景路径。但收集多样高质量交互视频（清晰展示人体全身和无遮挡交互）仍具挑战。
- 论文公开站arXiv
DreamStream：面向端到端驾驶的策略导向生成式仿真
DreamStream: Towards Policy-Oriented Generative Simulation for End-to-End Driving
摘要显示，现有仿真平台存在仿真到真实的视觉差距，会破坏策略感知，难以评估端到端驾驶策略的闭环决策。作者提出 DreamStream，一种基于仿真器接地的自回归视频模型构建的生成式闭环仿真器，通过交通布局引导从大型预训练视频模型蒸馏，在改变视觉外观的同时保留场景布局与动态物体时序一致性等策略相关特征。作者还指出 FID 等感知指标会误判特征保留程度，并提出多表示指标 FDπ。摘要称，在 FDπ 下 DreamStream 相比最强先前闭环…
意义：为端到端自动驾驶提供更贴近策略感知的闭环仿真与评测指标，有望降低真实路测成本并暴露策略失效场景。
- 论文公开站arXiv
WorldCrafter：具有隐式3D感知记忆的一致视频世界模型
WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory
摘要显示，WorldCrafter 是一种视频世界模型，学习可被相机查询的隐式3D感知记忆，让请求视角决定多视角证据如何压缩进视频生成器有限的 token 预算。记忆编码器与姿态条件读出模块同视频生成器联合训练，在去噪前将历史观测整合为固定数量的目标视角专属 token，无需显式深度对应。结合近期时序上下文与少步蒸馏，该模型支持从单张图像或文本提示进行流式场景探索，在静态与动态场景中提升了长时程一致性与相机控制精度。
意义：为长时程、跨视角一致的交互式视频世界模型提供隐式3D记忆方案，利于场景探索与相机控制类应用。
- 开源项目公开站GitHub
harry0703/MoneyPrinterTurbo：AI 一键生成高清短视频
harry0703/MoneyPrinterTurbo — 利用 AI 大模型和自动化工作流，根据主题或关键词一键生成高清短视频。Generate HD short videos from a topic or keyword with an automated AI workflow.
摘要显示，MoneyPrinterTurbo 是一个利用 AI 大模型和自动化工作流、根据主题或关键词一键生成高清短视频的开源项目。其 GitHub 页面标注星标数约 124,850，说明该项目在开发者社区中具有较高关注度。摘要未披露所调用模型、生成流程细节或输出规格等信息。
意义：为开发者提供短视频自动生成的开源参考实现，可复用于内容生产与AI工作流集成。
- 论文公开站arXiv
梦见接触之声：利用视频和音频生成实现零样本力感知操作与数据生成
Dreaming the Sound of Contact: Leveraging Video and Audio Generation for Zero-Shot Force-Aware Manipulation and Data Generation
摘要显示，该工作针对生成视频仅含运动学轨迹、缺乏力信息的问题，提出用生成接触声音的响度构造有界且随时间变化的期望力曲线，并结合生成视频从结构化自然语言任务提示中同时推导运动轨迹与期望力。作者在 Franka Panda 机器人上用闭环力调节器跟踪该音频塑形的力曲线，在多个需接触的任务上成功完成操作，而仅运动学基线失败；该流程还被用作数据生成引擎训练闭环策略。
意义：为机器人操作引入音频作为力感知信号，弥补生成视频缺少接触力信息的短板，并提供可复用的数据生成思路。
- 论文公开站arXiv
PhysStream：具结构化场景记忆与细粒度运动控制的流式物理视频生成
PhysStream: Streaming Physics-Grounded Video Generation with Structured Scene Memory and Fine-Grained Motion Control
摘要显示，PhysStream 是一种自回归图像到视频生成模型，面向物理落地的动态场景合成。它引入结构化场景记忆（位置图与目标跟踪图，由已生成帧在线推导），并用稀疏速度增量信号编码物理量实现细粒度运动控制。模型分两阶段训练：先对双向模型做运动控制条件微调，再训练带场景记忆的因果自回归模型。摘要称其在桌面刚体多物体场景中支持生成中途交互控制，合成基准上 FVMD 降低 33%、轨迹误差降低 12%，人类评估中超过 85% 的对比更受偏好。
意义：为视频生成引入可在线更新的场景记忆与物理量级控制信号，使生成过程可中途干预，对交互式世界模型与可控视频生成方向有参考价值。
- 论文公开站arXiv
ReWorld：具备长时记忆的交互式世界模型
ReWorld: An Interactive World Model with Long-Horizon Memory
摘要显示，ReWorld是一种交互式世界模型，通过混合注意力窗口和随机头路由，在训练时分离控制与记忆，推理时使用有界KV缓存和姿态索引地标库，实现长时记忆下的实时视频生成。数据引擎统一多源数据尺度，并通过LoRA蒸馏实现四步采样，在704x1280分辨率下实时生成，在动作跟随、长时记忆和视频质量方面优于六种现有模型。
意义：ReWorld解决了交互式世界模型中控制与记忆的结构性矛盾，实现了长时记忆下的实时高保真视频生成，对虚拟现实、游戏和机器人仿真等应用具有重要意义。
