AIGC 每日速读|2026-03-19|EchoGen|TINA|AR-CoPO| AIGC 视觉生成领域 · 每日论文解读 (2026-03-19) 人工智能炼丹师 整理 | 共 12 篇论文 | 重点深度解读 3 篇 今日核心看点 EchoGen: 循环 RL 统一生成理解 TINA: 概念擦除安全漏洞揭示 AR-CoPO: 流式视频 RLHF 对齐 今日概览 今日 arXiv cs.CV 视觉生成相关论文共 12 篇，重点解读 3 篇。 方向分布： 视频生成后训练 / RLHF 对齐 — 2 篇 视频扩散内部机制 / 训练高效 — 2 篇 生成安全性 / 概念擦除 — 2 篇 统一生成理解 / 多任务框架 — 2 篇 图像视频编辑 / 可控生成 — 4 篇 共计 12 篇，重点解读 3 篇 重点论文深度解读 1. EchoGen: Cycle-Consistent Learning for Unified Layout-Image Generation and Understanding 统一 Layout-Image 生成与理解 | arXiv:2603.18001 关键词： Layout-to-Image, Image Grounding, 循环一致性, GRPO, 统一框架 研究动机 Layout-to-image 生成和 Image grounding 是两个互补但传统上独立训练的任务：前者从布局生成图像，后者从图像定位物体。生成任务具有强大的视觉创造力但布局准确性有限，而 grounding 任务具有精确的文本和布局理解能力但缺乏生成能力。联合训练可以互相补偿，但现有方法在优化时面临严重的任务冲突和性能受限问题。 方法原理 提出 EchoGen 统一框架，包含三阶段渐进式训练策略： 并行多任务预训练（PMTP）：通过共享 token 加速训练，赋予模型两个任务的基础能力 双向联合优化（DJO）：利用任务对偶性，将生成和定位任务序列化集成，实现统一优化 循环强化学习（Cycle RL）：利用循环一致性约束作为奖励信号，通过 GRPO 策略消除对视觉监督的依赖，显著提升模型的统一能力 核心创新 首次提出将 Layout-to-Image 生成与 Image Grounding 统一为互补双任务框架 渐进式三阶段训练策略，有效解决联合训练中的优化冲突 Cycle RL 阶段利用循环一致性约束取代视觉监督，GRPO 策略实现无监督对齐 实验证明两个任务联合优化存在明显的协同增益效应 实验结果 在 Layout-to-Image 生成和 Image Grounding 两个基准上均达到 SOTA 联合训练相比独立训练在两个任务上分别提升了约 15% 和 12% Cycle RL 阶段进一步带来额外 8% 的性能增益 方法流程 Layout+文本输入 — 空间布局 + 文本描述 双模态条件输入 PMTP 预训练 — 共享 token 加速 两任务基础能力 DJO 联合优化 — 任务对偶性序列集成 统一优化双任务 Cycle RL — 循环一致性奖励 GRPO 无监督对齐 统一输出 — 生成: 精准布局图像 定位: 准确 bbox 技术脉络 核心问题： Layout-to-Image 生成与 Image Grounding 互补但独立训练，联合训练面临优化冲突 前序工作及局限： GLIGEN (2023)：布局条件注入但不支持 grounding，单向生成 Kosmos-2 (2023)：统一理解和定位但缺乏生成能力 LayoutDiffusion (2024)：布局引导扩散生成但不含 grounding 回路 InstructDiffusion (2024)：多任务统一但生成和定位未形成闭环 与前序工作的本质区别： 首次利用循环一致性将生成和定位构建为互补闭环，GRPO 策略消除视觉监督依赖，实现真正的双任务协同 技术演进定位： 方法论创新——循环 RL 策略为多任务生成理解统一提供了新的训练范式 可能的后续方向： 扩展到视频级的布局生成与时空定位 3D 场景布局生成与 grounding 更多生成-理解对偶任务的循环 RL 批判性点评 实验评估： 在 Layout-to-Image 和 Grounding 双基准上验证，消融实验覆盖三个训练阶段。但缺少与最新 Layout-Diffusion 变体的全面对比，Cycle RL 的奖励信号设计可能对布局复杂度敏感。 新颖性： 循环一致性约束作为 RL 奖励是新颖的技术贡献，GRPO 在此场景的应用具有启发性。创新性评分：★★★★☆ 可复现性： 三阶段训练流程清晰，但各阶段的超参数转换点（何时切换阶段）需要更多细节。GRPO 的实现依赖特定的奖励函数设计。 影响力： 影响力评分 4/5 — 双任务协同增益的发现对统一模型设计有重要启示。循环 RL 策略可推广到其他生成-理解对偶任务。 2. TINA: Text-Free Inversion Attack for Unlearned Text-to-Image Diffusion Models 无文本反转攻击揭示概念擦除漏洞 | arXiv:2603.17828 关键词： 概念擦除, Unlearning, DDIM Inversion, 安全性, 对抗攻击 研究动机 Text-to-Image 扩散模型的概念擦除（Concept Erasure）是保障模型安全部署的关键技术。当前擦除方法与对抗探针之间形成了动态博弈，但这种博弈收敛于一个狭隘的「文本中心」范式——认为擦除等同于切断文本到图像的映射。然而底层视觉知识是否真正被删除？这个根本问题从未被认真验证过。 方法原理 提出 TINA（Text-free INversion Attack），一种全新的无文本反转攻击方法： 核心思路：绕过文本条件，直接从视觉角度探测被擦除模型是否仍保留相关视觉知识 采用 null-text 条件下的 DDIM 反转，完全避开现有基于文本的防御机制 集成优化过程，克服标准反转在无文本引导时产生的累积近似误差 从视觉路径而非文本路径探测被擦除概念的残留 核心创新 首次从纯视觉角度揭示概念擦除方法的根本缺陷——仅遮蔽了文本映射而非删除视觉知识 提出 null-text 条件下的 DDIM 反转攻击，完全绕过文本中心防御 优化过程有效解决无文本引导下的反转误差累积问题 证明现有 SOTA 擦除方法均存在安全漏洞，呼吁直接操作内部视觉知识的新范式 实验结果 在 ESD、UCE、CA、SA 等 SOTA 擦除方法上均成功再生成被擦除概念 攻击成功率超过 85%，证明视觉知识残留是普遍现象 揭示 text-centric 防御的根本局限性 方法流程 已擦除模型 — 经 concept erasure 处理的扩散模型 参考图像 — 包含被擦除概念的 参考图像 Null-Text DDIM 反转 — 空文本条件下反转 绕过文本防御 优化修正 — 克服反转累积误差 精确找到 latent 再生成验证 — 成功重建被擦除概念 暴露安全漏洞 技术脉络 核心问题： 概念擦除方法仅切断文本映射，底层视觉知识是否真正删除未被验证 前序工作及局限： ESD (2023)：擦除特定概念但仅操作文本条件路径 UCE (2024)：统一概念擦除但仍依赖文本中心范式 Concept Ablation (2023)：概念消融但未验证视觉残留 SalUn (2024)：显著性引导遗忘但攻击面仍在文本侧 与前序工作的本质区别： 完全从视觉角度出发，null-text DDIM 反转绕过所有文本防御，首次证明视觉知识残留是普遍现象 技术演进定位： 范式挑战——揭示当前概念擦除研究的根本盲点，推动从文本中心向视觉中心的范式转移 可能的后续方向： 直接操作模型内部视觉特征的新型擦除方法 多模态联合遗忘（文本+视觉+概念空间） 可证明安全的概念删除理论 批判性点评 实验评估： 在 ESD、UCE、CA、SA 四种 SOTA 擦除方法上全面验证，攻击成功率高。但实验主要在 SD v1.4/v1.5 上进行，更大模型（SDXL、FLUX）上的效果待验证。 新颖性： 从视觉角度揭示概念擦除漏洞的思路极具原创性，null-text DDIM 反转的方法论贡献扎实。创新性评分：★★★★★ 可复现性： 方法描述清晰，优化过程有完整公式推导。反转质量对参考图像选择的敏感度需要更多讨论。 影响力： 影响力评分 5/5 — 揭示了当前概念擦除研究的根本盲点，可能推动整个安全对齐领域的范式转移。 3. AR-CoPO: Align Autoregressive Video Generation with Contrastive Policy Optimization 自回归视频生成的对比策略优化 | arXiv:2603.17461 关键词： 自回归视频生成, RLHF, GRPO, 流式生成, 偏好对齐 研究动机 流式自回归（AR）视频生成器结合少步蒸馏已实现低延迟、高质量的视频合成，但通过 RLHF 进行对齐仍然困难。现有基于 SDE 的 GRPO 方法在此场景面临严峻挑战：少步 ODE 和一致性模型采样器偏离标准 Flow Matching ODE，短程、低随机性的采样轨迹对初始化噪声极其敏感，导致中间 SDE 探索完全失效。 方法原理 提出 AR-CoPO（AutoRegressive Contrastive Policy Optimization）框架： Chunk 级对齐：通过 forking 机制在随机选择的 chunk 处构建邻域候选，赋予序列级奖励并执行局部 GRPO 更新 半 On-Policy 训练策略：结合 on-policy 探索与 replay buffer 上的参考 rollout 利用 将 Neighbor GRPO 的对比视角适配到流式 AR 生成，解决少步采样的对齐难题 局部化更新避免了全序列梯度传播的显存和时间开销 核心创新 首次将对比策略优化成功应用于流式自回归视频生成的 RLHF 对齐 Chunk-level forking 机制巧妙解决了少步 ODE 采样的探索困难 半 on-policy 训练策略平衡了探索与利用，避免 reward hacking 在 Self-Forcing 框架上验证了域外泛化和域内偏好对齐的双重提升 实验结果 在 Self-Forcing 基线上显著提升域外泛化性和域内人类偏好对齐 视频质量和时间一致性均有明显改善 证明了真正的对齐效果而非 reward hacking 方法流程 流式 AR 生成器 — 少步蒸馏的 自回归视频生成 Chunk Forking — 在随机 chunk 构建 邻域候选序列 序列级 Reward — 对候选序列赋予 人类偏好奖励 局部 GRPO — chunk 级对比更新 半 on-policy 训练 对齐视频输出 — 质量和偏好对齐 泛化能力增强 技术脉络 核心问题： 流式 AR 视频生成的少步 ODE 采样对 RLHF 对齐极其困难 前序工作及局限： GRPO (Shao 2024)：LLM 对齐策略但依赖充分随机探索 Self-Forcing (2025)：流式 AR 视频生成但缺乏偏好对齐能力 Diffusion-RLHF (2024)：扩散模型 RLHF 但假设标准 SDE 采样 Neighbor GRPO (2025)：对比策略优化但未适配视频流式生成 与前序工作的本质区别： chunk-level forking 巧妙解决少步 ODE 的探索困难，半 on-policy 策略平衡效率与质量 技术演进定位： 技术突破——首次打通流式 AR 视频生成的 RLHF 对齐路径 可能的后续方向： 更精细的帧级奖励信号设计 与视频美学和物理一致性奖励的结合 超长视频的分布式 RLHF 训练 批判性点评 实验评估： 在 Self-Forcing 框架上验证，包含域内和域外评估。但仅在单一 AR 生成器上测试，跨架构的泛化性未知。奖励模型选择可能影响结论。 新颖性： chunk-level forking 和半 on-policy 策略的组合是解决少步 ODE 对齐问题的优雅方案。创新性评分：★★★★☆ 可复现性： forking 机制和 GRPO 更新的公式化描述完整，但半 on-policy 中 replay buffer 的管理策略需要更多细节。 影响力： 影响力评分 4/5 — 为快速发展的流式视频生成领域提供了关键的 RLHF 对齐方案。 批判性点评精选 1. TINA 的安全警钟：概念擦除真的有效吗？ TINA 用 85%+ 的攻击成功率证明了当前所有 SOTA 概念擦除方法都仅仅遮蔽了文本映射而非删除视觉知识。这意味着我们对'安全部署'的理解可能需要根本性修正——仅操作文本条件路径是不够的，必须直接处理模型内部的视觉表征。这对整个生成模型安全性研究方向是一个重大挑战。 2. 视频 RLHF：从不可能到可行的关键一步 AR-CoPO 的 chunk-level forking 机制解决了一个被认为几乎不可能的问题：在少步 ODE 采样的低随机性条件下进行有效的偏好对齐。这标志着视频生成从'能生成'向'能对齐人类偏好'的重要进步。但半 on-policy 策略的微妙平衡可能在不同奖励模型下表现不一致，泛化性是关键的下一步验证。 3. EchoGen 的启示：生成和理解是互补而非对立 EchoGen 用 15%/12% 的协同增益令人信服地证明了生成和理解任务之间存在真实的互补性。循环一致性作为无监督奖励信号的设计简洁而有效。这个发现可能远超 layout-image 这一个场景——视觉生成领域中还有多少任务对偶性可以被挖掘？这开辟了一个值得深入探索的新方向。 其余论文 · 贡献与效果总结 # 论文 关键词 主要贡献 效果 1 STAS (Steering Video Diffusion Transformers with Massive Activations) Video Diffusion · Massive Activations · 训练无关 · 自引导 发现视频扩散 Transformer 中 Massive Activations 的结构化时间层次模式，提出训练无关的 STAS 自引导方法 跨多个 T2V 模型一致提升视频质量和时间连贯性，额外推理开销 < 1% 2 ChopGrad (Pixel-Wise Losses for Latent Video Diffusion via Truncated Backprop) 视频扩散 · 截断反传 · O(1)显存 · 像素级损失 截断反向传播实现 O(1) 常量显存训练，理论保证误差有界，支持像素级损失微调视频扩散模型 视频超分/修复/增强/受控生成四项任务均达 SOTA，显存不随帧数增长 3 Motion-Adaptive (Motion-Adaptive Temporal Attention for Lightweight Video Generation with Stable Diffusion) 轻量视频生成 · 运动自适应 · 时间注意力 · SD 提出运动自适应时间注意力机制：高运动序列局部注意力保留快速变化细节，低运动序列全局注意力保持场景一致性 仅增加 2.9% (25.8M) 参数量，在 WebVid 验证集上达到竞争性结果 4 SHIFT (SHIFT: Motion Alignment in Video Diffusion Models with Adversarial Hybrid Fine-Tuning) 视频扩散 · 运动对齐 · 奖励微调 · RLHF 提出像素运动奖励 + Smooth Hybrid Fine-tuning (SHIFT) 框架，解决视频扩散模型微调后运动保真度下降的问题 有效解决 dynamic-degree collapse，对抗性优势加速收敛并缓解 reward hacking 5 Text Embedding Interpolation (The Unreasonable Effectiveness of Text Embedding Interpolation for Continuous Image Steering) 连续编辑 · Steering Vector · 训练无关 · 跨模态 训练无关框架：用 LLM 自动构建去偏对比 prompt 对，在文本嵌入空间计算 steering vector 实现连续可控编辑 效果可比肩训练方法，优于其他训练无关方案，支持图像和视频编辑 6 Proxy-GRM (Rationale Matters: Learning Transferable Rubrics via Proxy-Guided Critique for VLM Reward Models) Reward Model · VLM · 评分标准 · RLHF 引入代理引导的评分标准验证到 RL 训练中，训练轻量代理预测偏好序，以标准质量作为奖励信号 仅 50K 数据即达 VL-RewardBench/MM-RLHF-Bench SOTA，优于 4 倍数据量方法 7 UOT-Unlearn (Unlearning for One-Step Generative Models via Unbalanced Optimal Transport) 一步生成 · 遗忘学习 · 最优传输 · 安全部署 首次为一步生成模型（Flow Map Models）提出遗忘学习框架，基于非平衡最优传输的即插即用方案 CIFAR-10/ImageNet-256 上遗忘成功率 (PUL) 和保留质量 (u-FID) 均显著超越基线 8 DynaEdit (Versatile Editing of Video Content, Actions, and Dynamics without Training) 视频编辑 · 训练无关 · 动态编辑 · Flow Model 训练无关视频编辑方法，基于 inversion-free 方法实现动作修改、物体插入交互、全局效果添加等复杂编辑 在复杂文本视频编辑任务上达到 SOTA，支持修改动作、插入交互物体和引入全局效果 9 LaDe (LaDe: Unified Multi-Layered Graphic Media Generation and Decomposition) 图层设计 · 多任务统一 · RGBA VAE · 图形设计 潜在扩散框架 + LLM prompt 扩展 + 4D RoPE + RGBA VAE，统一文本到图像、文本到图层和设计分解三个任务 文本到图层任务上文本-图层对齐度优于 Qwen-Image-Layered（GPT-4o mini 和 Qwen3-VL 评估） 趋势观察 视频生成后训练对齐 — AR-CoPO、SHIFT 分别从对比策略优化和运动奖励角度解决视频扩散模型的 RLHF 对齐难题 训练无关视频增强 — STAS（Massive Activations 引导）和 DynaEdit 展示了零训练开销下提升视频质量和编辑能力的路线 显存高效视频训练 — ChopGrad 截断反传实现 O(1) 常量显存，突破视频扩散微调的显存瓶颈 生成安全性攻防博弈 — TINA 揭示概念擦除的视觉知识残留漏洞，UOT-Unlearn 为一步生成模型首次提出遗忘学习方案 生成理解统一架构 — EchoGen 和 LaDe 分别在 layout-image 和 graphic media 领域推动生成与理解的统一 人工智能炼丹师 整理 | 2026-03-19

AIGC 每日速读|2026-03-18|Tri-Prompting|Anchor Forcing|VeloEdit|COT-FM|LADR| [ { "@context": "https://schema.org", "@type": "TechArticle", "headline": "AIGC生成 每日热点论文速读@20260318", "description": "AIGC领域8篇最新论文速读，重点解读LibraGen** (Playing a Balance Game in Subject-Driven Video Generation)、NumColor** (Precise Numeric Color Control in Text-to-Image Generati...", "url": "https://jefxiong.cn/index.php/archives/aigc-daily-papers-20260318.html", "image": "https://jefxiong-1304293246.cos.ap-shenzhen-fsi.myqcloud.com/blog_cover/WechatIMG72.jpeg", "datePublished": "2026-03-18T09:00:00+08:00", "dateModified": "2026-03-18T09:00:00+08:00", "author": { "@type": "Person", "name": "人工智能炼丹师", "url": "https://jefxiong.cn/index.php/about-me.html" }, "publisher": { "@type": "Organization", "name": "人工智能炼丹师", "url": "https://jefxiong.cn", "logo": { "@type": "ImageObject", "url": "https://jefxiong-1304293246.cos.ap-shenzhen-fsi.myqcloud.com/blog_cover/WechatIMG72.jpeg" } }, "mainEntityOfPage": { "@type": "WebPage", "@id": "https://jefxiong.cn/index.php/archives/aigc-daily-papers-20260318.html" }, "keywords": [ "dit", "llm", "diffusion", "图像编辑", "视频生成", "蒸馏", "图像生成", "ai", "扩散模型", "generation" ], "articleSection": "AIGC", "inLanguage": "zh-CN", "citation": [ { "@type": "ScholarlyArticle", "name": "LibraGen** (Playing a Balance Game in Subject-Driven Video Generation)" }, { "@type": "ScholarlyArticle", "name": "NumColor** (Precise Numeric Color Control in Text-to-Image Generation)" }, { "@type": "ScholarlyArticle", "name": "EVD** (Event-Driven Video Generation)" }, { "@type": "ScholarlyArticle", "name": "FlashMotion** (Few-Step Controllable Video Generation with Trajectory Guidance (CVPR 2026))" }, { "@type": "ScholarlyArticle", "name": "GlyphPrinter** (Region-Grouped DPO for Glyph-Accurate Visual Text Rendering (CVPR 2026))" }, { "@type": "ScholarlyArticle", "name": "Spectrum Matching** (A Unified Perspective for Superior Diffusability in Latent Diffusion)" }, { "@type": "ScholarlyArticle", "name": "SERUM** (Simple Efficient Robust Unifying Marking for Diffusion Image Gen (ICLR 2026))" }, { "@type": "ScholarlyArticle", "name": "DC-Diffusion** (High-Fidelity T2I from VLM via Distribution-Conditioned Diffusion Decoding)" } ] }, { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "position": 1, "name": "首页", "item": "https://jefxiong.cn" }, { "@type": "ListItem", "position": 2, "name": "AIGC", "item": "https://jefxiong.cn/index.php/category/AIGC/" }, { "@type": "ListItem", "position": 3, "name": "AIGC生成 每日热点论文速读@20260318", "item": "https://jefxiong.cn/index.php/archives/aigc-daily-papers-20260318.html" } ] } ] AIGC 视觉生成领域 · 每日论文解读 (2026-03-18) 人工智能炼丹师 整理 | 共 13 篇论文 | 重点深度解读 5 篇 今日核心看点 Tri-Prompting 统一控制 Anchor Forcing 流式视频 VeloEdit 速度场编辑 COT-FM 最优传输 LADR 扩散LLM加速 今日概览 今日 arXiv cs.CV 视觉生成相关论文共 13 篇，重点解读 5 篇。 方向分布： 扩散模型理论与加速 — 3 篇 文本到图像 / 评测 — 2 篇 图像编辑 — 1 篇 3D 生成与重建 — 4 篇 多模态 / 智能体 — 2 篇 顶会收录： CVPR 2026 x 3 篇 + ICLR 2026 x 1 篇 重点论文深度解读 1. Tri-Prompting: Video Diffusion with Unified Control over Scene, Subject, and Motion 场景/主体/运动统一控制 | Adobe Research | arXiv:2603.15614 关键词： 视频扩散, 统一控制, 多视图主体, 3D感知, Adobe 研究动机 当前视频扩散模型在视觉质量上取得了显著进步，但精细控制仍是关键瓶颈。AI视频创作者需要三种关键控制：场景构图、多视图主体定制、和相机/物体运动调整。现有方法通常孤立处理这些维度，缺乏统一架构支持多维联合控制。 方法原理 提出 Tri-Prompting 统一框架和两阶段训练范式，集成场景构图、多视图主体一致性和运动控制。核心是双条件运动模块：使用 3D 跟踪点控制背景场景，使用下采样 RGB 线索控制前景主体。进一步提出推理时 ControlNet 尺度调度策略，平衡可控性与视觉真实感。支持 3D 感知主体插入任意场景、操纵图像中已有主体等全新工作流。 核心创新 首个统一场景/主体/运动三维控制的视频扩散框架 双条件运动模块：3D 跟踪点（背景）+ 下采样 RGB（前景） 推理时 ControlNet 尺度调度，平衡可控性与真实感 支持 3D 感知主体插入等全新创作工作流 实验结果 多视图主体身份保持、3D 一致性和运动准确性显著优于 Phantom 和 DaS 等专用方法 支持场景+主体+运动的联合精细控制 方法流程 场景 Prompt — 文本描述 + 场景参考图 多视图主体输入 — 多角度主体参考图像 3D 跟踪点提取 — 背景场景运动轨迹 双条件运动模块 — 3D点→背景控制 RGB↓→前景主体控制 ControlNet 尺度调度 — 动态平衡可控性/真实感 统一控制视频输出 — 场景+主体+运动联合控制 技术脉络 核心问题： 视频扩散模型缺乏对场景、主体和运动的统一精细控制 前序工作及局限： AnimateDiff (2023)：支持运动控制但不处理主体定制 DreamVideo-Omni (2026)：多主体定制但需逐一微调，未统一场景控制 MotionCtrl (2024)：相机运动控制精准但不支持主体定制 Phantom (2025)：多视图主体生成但3D一致性有限 与前序工作的本质区别： 首次统一场景构图+多视图主体+运动控制三维度，双条件运动模块分别用3D跟踪点和下采样RGB控制前景背景 技术演进定位： 范式统一——从孤立控制到三维联合控制，为AI视频创作提供完整控制栈 可能的后续方向： 更多控制维度的统一（光照、风格） 实时交互式控制 与大语言模型的控制意图理解结合 批判性点评 实验评估： 与 Phantom 和 DaS 等多个专用基线全面对比，多视图主体身份、3D一致性和运动准确性三个维度均领先。消融实验验证了双条件模块和尺度调度的必要性。 新颖性： 三维统一控制是视频生成的重要里程碑，但Adobe闭源可能限制学术影响。创新性：★★★★★ 可复现性： 代码未开源，项目页面已上线。Adobe内部实现可能难以完全复现。 影响力： 影响力 5/5 -- 定义了视频精细控制的完整框架，产业价值极高。 2. Anchor Forcing: Anchor Memory and Tri-Region RoPE for Interactive Streaming Video Diffusion 交互式流式视频扩散 | 锚点记忆+三区域RoPE | arXiv:2603.13405 关键词： 流式视频, 交互式生成, 锚点记忆, 三区域RoPE, 长视频 研究动机 交互式长视频生成需要支持提示词切换以引入新主体或事件，同时在扩展范围内保持感知保真度和连贯运动。现有蒸馏流式视频扩散模型通过滚动 KV 缓存实现长程生成，但存在两个核心失败模式：提示词切换时缓存维护无法同时保留语义上下文和近期潜在线索；蒸馏过程中无界时间索引导致位置分布偏移。 方法原理 提出 Anchor Forcing 缓存中心框架。第一，锚点引导重缓存机制：在锚点缓存中存储 KV 状态，每次提示词切换时从锚点热启动重缓存，减少切换后的证据损失并稳定感知质量。第二，三区域 RoPE：设计区域特定的参考原点，配合 RoPE 重对齐蒸馏，将无界流式索引与预训练 RoPE 体制协调，更好地保留运动先验。 核心创新 识别交互式流式生成的两个特有失败模式 锚点引导重缓存：KV 状态锚点存储 + 热启动，提升切换边界质量 三区域 RoPE + 重对齐蒸馏：解决无界索引的位置分布偏移 与 MemRoPE 思路互补，但专注交互式场景 实验结果 长视频交互式设置中，感知质量和运动指标均优于现有流式基线 支持多次提示词切换且质量不退化 方法流程 提示词 P₁ — 初始场景描述 流式去噪 + KV缓存 — 蒸馏的视频扩散模型 滚动 KV 缓存 锚点缓存存储 — 定期存储 KV 状态 到锚点缓存 提示词切换 P₂ — 用户输入新提示词 引入新主体/事件 锚点热启动重缓存 — 从锚点缓存恢复 减少边界质量损失 三区域 RoPE — 区域特定参考原点 保留运动先验 技术脉络 核心问题： 交互式长视频生成中提示词切换导致质量退化和运动失真 前序工作及局限： MemRoPE (2026-03-17)：记忆令牌解决长程上下文，但非交互式设计 StreamDiffusion (2024)：实时帧流式，但不支持提示词切换 Attention Sink (2024)：静态锚点，提示词切换时信息丢失 DistillVideo (2025)：蒸馏流式模型，但RoPE位置漂移未解决 与前序工作的本质区别： 锚点引导重缓存热启动解决切换边界问题，三区域RoPE重对齐解决无界索引的位置分布偏移 技术演进定位： 关键补全——与MemRoPE互补，一个解决长程记忆一个解决交互切换，共同构建流式视频基础设施 可能的后续方向： 与MemRoPE的整合方案 多人协作交互式视频编辑 基于Anchor的视频分支/合并 批判性点评 实验评估： 在长视频交互式设置中全面评估，支持多次提示词切换。与现有流式基线对比感知质量和运动指标均提升。但缺少与MemRoPE的直接对比。 新颖性： 锚点缓存和三区域RoPE是流式视频的基础设施级创新。创新性：★★★★☆ 可复现性： 项目页面已上线，方法描述详细。 影响力： 影响力 4/5 -- 与MemRoPE互补，共同构建流式视频生成基础设施。 3. VeloEdit: Training-Free Consistent and Continuous Instruction-Based Image Editing via Velocity Field Decomposition 无训练速度场分解图像编辑 | Flux.1 Kontext | arXiv:2603.13388 关键词： 图像编辑, 无训练, 速度场分解, Flow Matching, 连续控制 研究动机 基于指令的图像编辑旨在根据文本指令修改源内容。然而，基于 Flow Matching 的现有方法常因去噪重建误差导致非编辑区域漂移，难以保持一致性。此外，它们通常缺乏对编辑强度的细粒度控制。 方法原理 提出 VeloEdit：一种无训练方法，通过量化保持源内容的速度场与驱动目标编辑的速度场之间的差异，动态识别编辑区域。基于此分区，在保留区域用源恢复速度替代编辑速度以强制一致性，在目标区域通过速度插值实现编辑强度的连续调制。直接操作速度场，不依赖复杂注意力操纵或辅助可训练模块。 核心创新 首次通过速度场差异量化实现动态编辑区域识别 保留区域速度替代 + 编辑区域速度插值的双策略 编辑强度连续可调，无需重新训练 在 Flux.1 Kontext 和 Qwen-Image-Edit 上验证 实验结果 在 Flux.1 Kontext 和 Qwen-Image-Edit 上，视觉一致性和编辑连续性显著提升 额外计算开销可忽略 代码已开源 方法流程 源图像 + 指令 — 输入图像和编辑指令 Flow Matching 前向 — 计算源保持速度场 v_src 和编辑目标速度场 v_edit 速度差异量化 — ||v_edit - v_src|| 差异图 动态识别编辑区域 区域分区 — 保留区域 ↔ 编辑区域 基于差异阈值划分 速度场替代/插值 — 保留区域: v_src 替代 编辑区域: 插值调控强度 一致编辑输出 — 非编辑区域完美保持 编辑强度连续可调 技术脉络 核心问题： Flow Matching时代图像编辑的区域一致性和强度控制困难 前序工作及局限： InstructPix2Pix (2023)：指令编辑但基于U-Net，不适用于FM架构 RF-Edit (2024)：FM编辑但全图重建，非编辑区域漂移 FlowEdit (2025)：FM注入编辑，但缺乏连续强度控制 TurboEdit (2025)：加速编辑但牺牲一致性 与前序工作的本质区别： 直接操作速度场而非注意力，通过v_edit与v_src差异量化实现动态区域识别和连续强度插值 技术演进定位： 新范式——速度场分解是FM时代原生编辑方法，比移植U-Net时代注意力操纵更自然 可能的后续方向： 视频FM编辑的速度场分解 多指令组合编辑 3D一致性速度场编辑 批判性点评 实验评估： 在 Flux.1 Kontext 和 Qwen-Image-Edit 两个最新模型上验证，视觉一致性和编辑连续性显著提升。但仅在图像编辑测试，未扩展到视频。 新颖性： 速度场分解是FM时代原生的编辑方法论，简洁优雅。创新性：★★★★☆ 可复现性： 代码已开源，直接可复现。 影响力： 影响力 4/5 -- FM编辑的范式性方法，预计会被广泛采用。 4. COT-FM: Cluster-wise Optimal Transport Flow Matching 聚类最优传输 Flow Matching | CVPR 2026 | arXiv:2603.13395 关键词： Flow Matching, 最优传输, 加速采样, CVPR 2026, 即插即用 研究动机 Flow Matching 模型由于随机或批级耦合常产生弯曲轨迹，增加离散化误差并降低样本质量。如何让生成轨迹更直从而减少采样步数，是加速 FM 的核心问题。 方法原理 提出 COT-FM 通用框架，通过聚类目标样本并为每个聚类分配专用源分布（通过反转预训练 FM 模型获得）来重塑概率路径。这种分而治之策略产生更精确的局部传输和显著更直的向量场，且不改变模型架构。作为即插即用方法，可直接应用于任何预训练 FM 模型。 核心创新 聚类级最优传输重塑 FM 概率路径，轨迹更直 即插即用，不改变模型架构 同时加速采样并提升生成质量 通用性：2D 数据、图像生成、机器人操作均有效 实验结果 2D 数据集、图像生成基准和机器人操作任务上 一致地加速采样并提升生成质量 CVPR 2026 接收 方法流程 目标数据 X₁ — 训练数据集 K-means 聚类 — 将目标样本分为 K 个簇 反转 FM 获取源 — 对每个簇反转预训练 FM 获得专用源分布 局部传输优化 — 簇内 OT 耦合 比全局耦合更精确 更直的向量场 — 离散化误差↓ 采样质量↑ 加速高质量生成 — 更少步数达到同等质量 技术脉络 核心问题： Flow Matching的随机耦合导致弯曲轨迹和采样质量损失 前序工作及局限： Rectified Flow (2023)：直化轨迹但需重训练 Consistency Models (2023)：单步生成但质量有损 SGA (2026-03-12)：从几何角度分析FM，但未优化传输路径 OT-CFM (2023)：批级最优传输，但粒度粗 与前序工作的本质区别： 聚类级分而治之策略，为每个簇反转FM获取专用源分布，实现比全局OT更精确的局部传输 技术演进定位： 方法论创新——CVPR 2026 接收，聚类OT是FM加速的第三条路线（与蒸馏、直化互补） 可能的后续方向： 层次聚类的多尺度OT 与蒸馏方法的联合 视频FM的时序聚类OT 批判性点评 实验评估： 在2D数据、图像生成和机器人操作三个完全不同的领域验证通用性。CVPR 2026 接收。但图像生成基准的提升幅度需关注。 新颖性： 聚类OT重塑概率路径简洁有力，即插即用特性极好。创新性：★★★★☆ 可复现性： 方法论清晰，可复现性高。 影响力： 影响力 4/5 -- FM加速的新路线，CVPR 2026 认可。 5. LADR: Locality-Aware Dynamic Rescue for Efficient Text-to-Image Generation with Diffusion Large Language Models 扩散语言模型高效文生图 | 4x 加速 | arXiv:2603.13450 关键词： 扩散LLM, 高效推理, 局部感知, 4x加速, 无训练 研究动机 离散扩散语言模型已成为统一多模态生成的引人注目范式，但迭代解码导致高推理延迟。现有加速策略要么需要昂贵重训练，要么未能利用视觉数据固有的 2D 空间冗余性。 方法原理 提出 LADR（局部感知动态拯救），利用图像的空间马尔可夫性质加速推理。优先恢复'生成前沿'处的标记（与已观察像素空间相邻的区域），最大化信息增益。集成形态学邻居识别定位候选标记、有界风险过滤防止错误传播、流形一致逆调度加速掩码密度与扩散轨迹对齐。 核心创新 首次将空间马尔可夫性质引入扩散 LLM 推理加速 生成前沿优先恢复策略，最大化信息增益 形态学邻居识别 + 有界风险过滤 + 流形逆调度三模块 无训练，保持甚至增强生成保真度 实验结果 四个 T2I 基准上实现约 4x 加速 保持甚至增强生成保真度 空间推理任务尤其突出 方法流程 文本 Prompt — 输入文本描述 扩散 LLM 解码 — 离散扩散语言模型 迭代去掩码解码 生成前沿检测 — 形态学邻居识别 已恢复像素的空间邻域 优先恢复前沿 — 仅恢复信息增益最大的 前沿 token 有界风险过滤 — 防止错误传播 确保质量不退化 4x 加速输出 — 高保真图像 推理时间减少 75% 技术脉络 核心问题： 离散扩散语言模型的迭代解码导致T2I推理极慢 前序工作及局限： Show-o (2024)：统一理解和生成的扩散LLM，但推理慢 Emu3 (2024)：自回归视觉生成LLM，延迟高 DART (2025)：非自回归token生成，但未利用2D空间结构 AccelAes (2026-03-17)：DiT美学加速，但针对连续扩散非离散LLM 与前序工作的本质区别： 首次利用图像空间马尔可夫性质，生成前沿优先恢复最大化信息增益，4x加速无质量损失 技术演进定位： 实用突破——扩散LLM从理论演示走向实际部署，4x加速是关键里程碑 可能的后续方向： 与Flash Attention的联合加速 视频扩散LLM的时空马尔可夫加速 动态分辨率的自适应前沿 批判性点评 实验评估： 四个T2I基准全面验证，4x加速数据可靠。空间推理任务甚至质量提升是亮点。但仅在T2I上验证，未扩展到T2V。 新颖性： 空间马尔可夫性质的发现和利用是精彩的洞察。创新性：★★★★★ 可复现性： 方法描述清晰，无训练方法易于复现。 影响力： 影响力 5/5 -- 扩散LLM部署的关键里程碑。 批判性点评精选 1. 视频精细控制进入统一时代 Tri-Prompting 和 Anchor Forcing 代表视频生成控制的两个关键方向：前者统一了场景/主体/运动三维度的精细控制，后者解决了交互式流式生成的边界质量问题。结合昨天的 MemRoPE，我们看到一个完整的流式视频控制栈正在形成：MemRoPE 负责长程记忆，Anchor Forcing 负责交互切换，Tri-Prompting 负责精细控制。 2. Flow Matching 生态正在快速成熟 VeloEdit 的速度场分解和 COT-FM 的聚类最优传输分别从编辑和采样两个角度深化 Flow Matching 生态。VeloEdit 表明 FM 的速度场可以直接操作来实现编辑（比移植注意力操纵更自然），COT-FM 则为 FM 加速开辟了蒸馏和直化之外的第三条路线。FM 正从'替代扩散'走向'建立自己的方法论体系'。 3. 扩散 LLM 的部署瓶颈正在被突破 LADR 的 4x 无训练加速表明离散扩散 LLM 的推理效率问题正被认真对待。空间马尔可夫性质是一个精彩的发现——图像 token 的空间局部性可以被利用来避免冗余恢复。这与 DiT 连续扩散的加速（JiT、AccelAes）形成互补，两条技术路线共同推动视觉生成模型的实际部署。 其余论文 · 贡献与效果总结 # 论文 关键词 主要贡献 效果 1 LibraGen (Playing a Balance Game in Subject-Driven Video Generation) 主体驱动 . S2V . DPO . 平衡博弈 将S2V视为平衡博弈，Consis-DPO + Real-Fake DPO + 时间依赖动态CFG 仅千量级数据超越开源和商业S2V模型 2 NumColor (Precise Numeric Color Control in Text-to-Image Generation) 精确颜色 . 数字控制 . Lab空间 . 零样本 Color Token Aggregator + 6707个可学习ColorBook嵌入，CIE Lab空间映射 数字颜色准确度提升4-9x，零样本迁移5个模型 3 EVD (Event-Driven Video Generation) 事件驱动 . 交互幻觉 . 门控采样 . DiT 事件头预测token级活动，事件门控采样减少交互幻觉 状态持久/空间准确/支撑关系/接触稳定全面改善 4 FlashMotion (Few-Step Controllable Video Generation with Trajectory Guidance (CVPR 2026)) 轨迹引导 . 少步生成 . CVPR 2026 . 蒸馏 轨迹适配器+联合蒸馏实现少步可控视频生成 CVPR 2026，代码已开源 5 GlyphPrinter (Region-Grouped DPO for Glyph-Accurate Visual Text Rendering (CVPR 2026)) 文本渲染 . DPO . 字形准确 . CVPR 2026 区域分组DPO文本渲染，无需显式奖励模型 CVPR 2026，字形准确渲染SOTA 6 Spectrum Matching (A Unified Perspective for Superior Diffusability in Latent Diffusion) VAE . 扩散性 . 频谱匹配 . 潜在扩散 频谱匹配假说统一理解VAE在潜在扩散中的可学习性 两个实用方法显著提升VAE扩散性 7 SERUM (Simple Efficient Robust Unifying Marking for Diffusion Image Gen (ICLR 2026)) 水印 . 扩散标记 . ICLR 2026 . 鲁棒 初始噪声中添加水印噪声，训练轻量检测器 ICLR 2026，1% FPR下最高TPR，支持多用户 8 DC-Diffusion (High-Fidelity T2I from VLM via Distribution-Conditioned Diffusion Decoding) VLM . 扩散解码 . 分布条件 . 高保真 Logit-to-Code分布映射将VLM token logits转连续条件信号 仅ImageNet-1K短训练即提升VLM视觉保真度 趋势观察 视频生成精细控制 — Tri-Prompting/Anchor Forcing/LibraGen 分别从场景-主体-运动联合控制/交互式流式/主体定制三个维度推进 Flow Matching 理论深化 — COT-FM 和 Spectrum Matching 分别从传输路径优化和 VAE 扩散性角度深化 FM 基础 扩散 LLM 走向实用 — LADR 4x 加速表明离散扩散 LLM 的推理效率瓶颈正在被攻克 无训练编辑方法涌现 — VeloEdit 速度场分解代表 Flow Matching 时代编辑方法的新范式 生成内容安全与可控 — SERUM 水印 + NumColor 精确颜色 + EVD 事件驱动，多维度提升生成可控性 人工智能炼丹师 整理 | 2026-03-18

AIGC生成 每日热点论文速读@20260317 AIGC 视觉生成领域 · 每日论文解读 (2026-03-17) 人工智能炼丹师 整理 | 共 13 篇论文 | 重点深度解读 5 篇 今日核心看点 无限视频生成 MemRoPE DiT 美学加速 2.11x 实时音视频联合 25FPS 四智能体组合生成 CVPR'26 多视图 GRPO 偏好对齐 今日概览 今日 arXiv cs.CV 视觉生成相关论文共 13 篇，重点解读 5 篇。 方向分布： 扩散模型理论与加速 — 3 篇 文本到图像 / 评测 — 2 篇 图像编辑 — 1 篇 3D 生成与重建 — 4 篇 多模态 / 智能体 — 2 篇 顶会收录： CVPR 2026 x 3 篇 + ICLR 2026 x 1 篇 重点论文深度解读 1. MemRoPE: Training-Free Infinite Video Generation via Evolving Memory Tokens 无训练无限视频生成 | USC | arXiv:2603.12513 关键词： 无限视频生成, Memory Tokens, RoPE, Training-Free 研究动机 自回归扩散模型已经实现了实时帧流式传输，但现有的滑动窗口缓存策略会丢弃过去的上下文，导致长视频生成中出现保真度下降、身份漂移和运动停滞的问题。现有方法保留一组固定的早期 token 作为注意力汇，但这种静态锚点无法反映不断增长的视频内容的演变。 方法原理 提出 MemRoPE 框架，包含两个协同设计的组件：(1) Memory Tokens（记忆令牌）通过指数移动平均将所有过去的键压缩为双重长期流和短期流，在固定大小的缓存中同时保持全局身份和最近的动态；(2) Online RoPE Indexing（在线 RoPE 索引）缓存未旋转的键，在注意力计算时动态应用位置嵌入，确保聚合过程不会产生冲突的位置相位。两个机制相互促进：位置解耦使时间聚合定义明确，聚合使固定缓存可用于无限生成。 核心创新 首次实现训练无关的无限长度视频生成，突破滑动窗口缓存的根本局限 双流记忆机制（长期+短期）实现固定缓存的无限上下文保持 在线 RoPE 索引解决了时间聚合中的位置编码冲突问题 实验结果 分钟到小时级别视频生成：时间连贯性、视觉保真度和主体一致性全面优于现有方法 身份漂移率：比滑动窗口方法降低 60%+ 运动停滞问题基本消除 完全即插即用，无需任何训练 方法流程 自回归帧生成 — 实时流式输出视频帧 EMA 双流压缩 — 长期流：全局身份记忆 短期流：近期动态捕捉 Memory Tokens — 固定大小缓存保持无限历史上下文 未旋转 Key 缓存 — 存储不含位置编码的原始注意力键 Online RoPE 索引 — 注意力计算时动态应用位置嵌入 无限长视频输出 — 分钟到小时级生成 身份/运动一致 技术脉络 核心问题： 自回归视频生成中滑动窗口缓存丢弃历史上下文，导致长视频质量退化 前序工作及局限： StreamDiffusion (2024)：实时帧流式，但无长期记忆机制 Ring Attention (2023)：分布式长序列注意力，但未压缩历史 Sliding Window Attention：固定窗口长度，丢弃超出范围的 token Attention Sink (Xiao 2024)：保留早期 token 作为静态锚点，但不随内容演变 与前序工作的本质区别： 双流 EMA 记忆机制动态压缩全部历史到固定缓存，在线 RoPE 索引解决聚合后的位置编码冲突 技术演进定位： 范式突破--从有限窗口到无限上下文，为长视频生成打开新空间 可能的后续方向： 与视频编辑的结合（无限长度编辑） 多分辨率记忆机制 记忆压缩的最优策略理论分析 批判性点评 实验评估： 验证了分钟到小时级别视频生成，覆盖身份一致性、运动连贯性和视觉保真度三维度。消融实验设计合理。 新颖性： 双流 EMA 记忆压缩与在线 RoPE 索引的组合全新。创新性：★★★★★ 可复现性： 方法描述清晰，项目页面已上线但代码尚未开源。 影响力： 影响力 5/5 -- 无限视频生成是产业刚需。 2. AccelAes: Accelerating DiT for Training-Free Aesthetic-Enhanced Generation 美学感知 DiT 加速 2.11x | Sydney | arXiv:2603.12575 关键词： DiT 加速, 美学增强, Training-Free, AesMask 研究动机 扩散 Transformer 因强大的可扩展性成为高保真 T2I 生成的主干，但密集空间 token 上的二次自注意力导致推理延迟高。关键发现：去噪在空间上是不均匀的——与美学描述符关联的区域接收集中的交叉注意力并表现出较大的时间变化，而低亲和力区域演化平滑且计算冗余。 方法原理 提出 AccelAes，通过美学感知的时空缩减来加速 DiT 同时提升感知美学效果。核心包含三个组件：(1) AesMask 从提示词语义和交叉注意力信号导出一次性美学焦点掩码；(2) SkipSparse 将计算和引导重新分配到 AesMask 标识的区域，跳过低亲和力区域；(3) 步骤级预测缓存轻量级缓存周期性替代完整 Transformer 评估。 核心创新 首次将美学语义与计算分配关联，实现加速和美学增强的双赢 AesMask 一次性构建，后续步骤零开销复用 SkipSparse + 预测缓存联合优化时空两个维度的计算冗余 实验结果 Lumina-Next: 2.11x 加速 + ImageReward 提升11.9% 代表性 DiT 家族上一致的加速和美学提升 完全无训练，即插即用 代码已开源 方法流程 文本 Prompt — 输入美学描述文本 交叉注意力分析 — 分析 prompt token 与空间 token 的亲和度 AesMask 构建 — 一次性标识美学焦点区域 SkipSparse 加速 — 焦点区域完整计算 低亲和力区域跳过 步骤级预测缓存 — 周期性缓存替代完整 Transformer 评估 美学增强输出 — 更快 + 更美的生成结果 技术脉络 核心问题： DiT 模型空间注意力的二次复杂度导致推理缓慢 前序工作及局限： Token Merging (Bolya 2023)：均匀合并 token，忽略语义重要性差异 DiTFastAttn (Yuan 2024)：固定稀疏模式，非内容感知 JiT (CVPR 2026)：基于 QK score 的动态跳过，未考虑美学语义 DeepCache (Ma 2024)：特征缓存复用，但不适用于 DiT 架构 与前序工作的本质区别： 首次将美学语义与计算分配关联--高美学亲和力区域完整计算，低亲和力区域跳过，不仅加速还提升美学 技术演进定位： 范式创新--从无损加速到加速+增强双赢，开辟语义感知加速新方向 可能的后续方向： 视频 DiT 中的时空美学感知加速 自适应美学引导强度 与 LoRA 美学微调的联合优化 批判性点评 实验评估： 在 Lumina-Next 等 DiT 上验证。同时报告加速比和美学指标提升。但缺少与 JiT 等最新方法的直接对比。 新颖性： 美学语义与计算分配关联是有新意的洞察。创新性：★★★★☆ 可复现性： 代码已开源，可复现性高。 影响力： 影响力 4/5 -- 加速+美学增强双赢思路有吸引力。 3. OmniForcing: Unleashing Real-time Joint Audio-Visual Generation 首个实时音视频联合生成 | 25 FPS | arXiv:2603.11647 关键词： 音视频联合生成, 实时流式, 蒸馏, 25 FPS 研究动机 联合音视频扩散模型虽能生成高质量内容，但因双向注意力依赖导致高延迟，无法实时应用。如何将高质量双向扩散模型转化为实时流式生成器是关键挑战。 方法原理 提出 OmniForcing，首个将离线双流双向扩散模型蒸馏为高保真流式自回归生成器的框架。解决三个核心难题：(1) Asymmetric Block-Causal Alignment + Zero-truncation Global Prefix 防止多模态同步漂移；(2) Audio Sink Token + Identity RoPE 约束解决音频 token 稀疏导致的梯度爆炸；(3) Joint Self-Forcing Distillation 使模型在长序列中自纠正跨模态累积误差。推理时采用模态无关的滚动 KV-cache。 核心创新 首个实现实时音视频联合流式生成的框架，25 FPS 单 GPU 非对称块因果对齐解决音视频模态时间不对称难题 Joint Self-Forcing 蒸馏范式，自纠正跨模态累积误差 基于 LTX-2 (14B video + 5B audio) 大模型蒸馏 实验结果 单 GPU 实时生成约 25 FPS 多模态同步和视觉质量与双向教师模型持平 显著优于现有流式生成方法 项目页面和代码已开源 方法流程 双向教师模型 — LTX-2: 14B video + 5B audio 非对称因果对齐 — Block-Causal Alignment + Global Prefix Audio Sink Token — Identity RoPE 约束解决稀疏梯度爆炸 Self-Forcing 蒸馏 — 自纠正跨模态累积误差 滚动 KV-Cache — 模态无关的流式推理方案 实时 A/V 输出 — 单 GPU 25 FPS 音视频同步生成 技术脉络 核心问题： 联合音视频扩散模型延迟高，无法实时生成 前序工作及局限： CoDi (2023)：联合多模态生成，但离线双向模型 Sora (2024+)：高质量视频生成，但无音频非实时 LTX-Video (2025)：实时视频生成，但单模态无音频 MM-Diffusion (2023)：音视频联合扩散，但质量和速度受限 与前序工作的本质区别： 首次将大规模双向音视频扩散模型蒸馏为实时流式自回归生成器，三个创新解决模态不对称/稀疏/累积误差 技术演进定位： 里程碑--实时音视频联合生成从0到1，为沉浸式内容创作铺路 可能的后续方向： 3D 空间音频的实时生成 交互式音视频编辑 更大模型的高效蒸馏策略 批判性点评 实验评估： 25 FPS 单 GPU 数据惊艳。与双向教师模型质量对比有说服力。基于 LTX-2 蒸馏对算力要求高。 新颖性： 三个技术创新针对实际痛点精准解决。创新性：★★★★★ 可复现性： 项目和代码已开源。但需大规模预训练模型和蒸馏资源。 影响力： 影响力 5/5 -- 首次实现实时音视频联合生成。 4. coDrawAgents: Multi-Agent Dialogue for Compositional Image Generation 四智能体协作组合生成 | CVPR 2026 | arXiv:2603.12829 关键词： 多智能体, 组合生成, 布局规划, CVPR 2026 研究动机 文本到图像生成在复杂场景中忠实地组合多个对象并保留其属性仍是一大挑战。现有单模型方法在组合复杂性增加时准确率急剧下降。 方法原理 提出 coDrawAgents，包含四个专门智能体：(1) Interpreter 自适应决定直接 T2I 还是布局感知流程，将提示解析为富属性对象描述符并排序分组；(2) Planner 采用分治策略在画布视觉上下文中增量提出布局；(3) Checker 验证空间一致性和属性对齐，在渲染前细化布局；(4) Painter 逐步合成图像将新对象合并到画布中。 核心创新 首次将多智能体对话框架引入组合图像生成 显式错误纠正机制（Checker）在渲染前验证和修复布局 增量上下文感知生成——每步规划都基于画布当前状态 自适应复杂度判断——简单提示直接生成，复杂场景启用多智能体 实验结果 GenEval: 显著优于现有方法，组合准确率大幅提升 DPG-Bench: 文本-图像对齐、空间准确性、属性绑定全面领先 已被 CVPR 2026 接收 方法流程 用户 Prompt — 复杂的组合文本描述 Interpreter — 解析提示 属性描述符 语义排序 Planner — 分治策略增量布局 基于画布上下文 Checker — 空间一致性验证 属性对齐检查修复 Painter — 逐步合成图像 新对象融入画布 组合图像输出 — 多对象属性准确 空间关系正确 技术脉络 核心问题： T2I 模型在复杂组合场景中属性绑定和空间关系容易出错 前序工作及局限： LayoutGPT (2023)：LLM 生成布局，但单步规划易出错 GLIGEN (2023)：接地生成，但需要精确 bbox 输入 RPG (Lian 2024)：区域感知规划，但无错误纠正机制 SLD (Phung 2024)：自纠正生成，但未使用多智能体协作 与前序工作的本质区别： 四智能体协作闭环--解释/规划/检查/绘制，Checker 提供渲染前显式错误纠正 技术演进定位： 新范式--多智能体方法论进入 T2I 组合生成领域，CVPR 2026 认可 可能的后续方向： 智能体间的自学习对话策略 3D 组合场景的多智能体生成 与 VLM 的深度集成 批判性点评 实验评估： GenEval 和 DPG-Bench 两个标准组合生成基准验证充分。应补充智能体通信开销分析。 新颖性： 多智能体框架引入 T2I 组合生成是新应用方向，Checker 是关键创新。创新性：★★★★☆ 可复现性： 智能体角色定义清晰但实现细节需更多说明。 影响力： 影响力 4/5 -- CVPR 2026 接收，多智能体范式可能成为标准方法论。 5. MV-GRPO: Multi-View GRPO for Flow Models via Augmented Condition Space 多视图偏好对齐 | 上海AI实验室+清华 | arXiv:2603.12648 关键词： GRPO, 偏好对齐, Flow Models, 多视图奖励 研究动机 标准 GRPO 将一组生成样本与单一条件评估，这种稀疏的单视图评估方案未能充分探索样本间关系，限制了对齐效果和性能上限。 方法原理 提出 Multi-View GRPO (MV-GRPO)，通过增强条件空间来创建密集的多视图奖励映射。对于从单个提示生成的一组样本，利用条件增强器生成语义相邻但多样化的描述进行多视图优势重估计。关键技巧：通过推导条件概率分布，无需重新生成样本即可获得多视图信号。 核心创新 首次将多视图评估引入 GRPO 框架，突破单视图稀疏评估瓶颈 条件空间增强策略创建密集奖励映射 无需重新生成样本即可获得多视图优化信号 适用于任意 Flow Model 的通用偏好对齐方法 实验结果 优于最先进的 GRPO 和其他偏好对齐方法 T2I 对齐性能全面提升 无需额外的样本重生成开销 方法流程 原始 Prompt — 单一文本条件 c 条件增强器 — 生成语义相邻的多样化描述 多视图评估 — 同一组样本 多个条件视角评分 优势重估计 — 密集多视图奖励映射 条件概率推导 — 无需重生成样本 直接计算新条件分布 对齐后 Flow Model — 更精准的文图对齐 技术脉络 核心问题： 标准 GRPO 单视图评估稀疏，限制偏好对齐效果 前序工作及局限： RLHF / DPO (2023)：成对偏好对齐，需要大量人类标注 GRPO (DeepSeek 2024)：组相对优化，但单条件评估稀疏 Diffusion-DPO (2024)：扩散模型 DPO，但信号单一 REBEL (2024)：奖励引导生成，但不修改模型权重 与前序工作的本质区别： 通过条件空间增强创建密集多视图奖励映射，无需重新生成样本即可获得丰富优化信号 技术演进定位： 方法论创新--多视图思想引入偏好优化，提升 GRPO 的信号密度和对齐上限 可能的后续方向： 多模态条件增强（文本+图像参考） 视频生成的时序多视图 GRPO 自适应条件增强策略 批判性点评 实验评估： 与标准 GRPO 和其他偏好对齐方法对比全面。条件增强策略消融设计合理。 新颖性： 多视图条件增强简洁优雅，无需重新生成是关键优势。创新性：★★★★☆ 可复现性： 方法论描述清晰，核心推导可复现。 影响力： 影响力 4/5 -- 可直接替换现有 GRPO 训练流程。 批判性点评精选 1. 无限视频生成：记忆机制是关键缺失环节 MemRoPE 揭示了自回归视频生成的核心瓶颈不在模型能力，而在上下文管理。双流 EMA 记忆巧妙地在信息保持和计算开销之间取得平衡。这标志着视频生成从'短视频'向'长视频/流式视频'的范式转换正式开始。 2. DiT 加速新思路：语义感知比均匀压缩更聪明 AccelAes 和 JiT 都瞄准 DiT 推理加速但思路不同。JiT 是'去冗余'，AccelAes 是'重分配'且不仅加速还提升美学——暗示现有 DiT 在低美学区域存在'过度计算'。合并两种方法有望实现 3-4x 无损加速。 3. 实时音视频联合生成：AIGC 进入沉浸式时代 OmniForcing 的 25 FPS 实时联合生成是里程碑。AIGC 不再局限于离线创作，游戏 NPC 对话、虚拟直播、交互式叙事等场景将直接受益。但蒸馏方法的质量天花板和 LTX-2 高训练成本是需关注的问题。 其余论文 · 贡献与效果总结 # 论文 关键词 主要贡献 效果 1 VQQA (Agentic Approach for Video Evaluation and Quality Improvement) 视频生成评估 . 智能体 . 闭环优化 多智能体框架通过 VLM 批判作为语义梯度实现闭环提示优化 T2V-CompBench +11.57%, VBench2 +8.43% 2 Naive PAINE (Lightweight T2I Generation Improvement with Prompt Evaluation) 噪声评估 . 生成质量预测 . 轻量级 从初始噪声+提示词直接预测图像质量，选择高质量噪声前传 多基准优于现有方法，即插即用，代码已开源 3 CalliMaster (Page-level Chinese Calligraphy via Layout-guided Spatial Planning) 书法生成 . 布局规划 . Flow Matching 解耦空间规划与内容合成，多模态 DiT 内 Text->Layout->Image SOTA 书法生成，支持字符重规划+文物修复 4 Catalyst4D (High-Fidelity 3D-to-4D Scene Editing via Dynamic Propagation) 4D 编辑 . 3DGS . 运动传播 锚点运动引导+颜色不确定性引导将3D编辑迁移到动态4D场景 时间稳定高保真动态编辑优于现有方法 5 SLICE (Semantic Latent Injection for Image Watermarking) 生成水印 . 语义篡改检测 . 扩散模型 将语义解耦为四因子锚定到噪声不同区域 语义篡改可检测可定位，攻击成功率大幅降低 6 V-Bridge (Bridging Video Generative Priors to Few-shot Image Restoration) 视频先验 . 图像修复 . Few-Shot 将视频生成模型的先验迁移到少样本图像修复 多种修复任务优于专用模型，仅需少量样本 7 HybridStitch (Pixel and Timestep Level Model Stitching for Diffusion Acceleration) 模型拼接 . 扩散加速 . 像素级分区 像素级+时间步级双维度模型拼接加速 显著加速扩散推理同时保持生成质量 8 CHEERS (Decoupling Patch Details from Semantic for Unified Multimodal) 统一模型 . 理解+生成 . 语义解耦 解耦 patch 细节与语义表征，统一视觉理解与生成 理解和生成双任务性能同时提升，代码已开源 趋势观察 长视频/无限视频生成成为焦点 — MemRoPE 无限生成 + OmniForcing 流式生成，视频生成向产业落地迈进 DiT 加速方法持续涌现 — AccelAes 美学感知加速 + HybridStitch 模型拼接，多条技术路线并行 多智能体范式全面渗透 AIGC — coDrawAgents 组合生成 + VQQA 视频评估，Agent 成为标配 偏好对齐/后训练优化升温 — MV-GRPO 多视图对齐 + Naive PAINE 噪声质量预测，生成质量精调 统一多模态模型趋势明显 — CHEERS 理解+生成统一 + OmniForcing 音视频联合，模态边界模糊 人工智能炼丹师 整理 | 2026-03-17

AIGC生成 每日热点论文速读@20260316 AIGC 视觉生成领域 · 每日论文解读 (2026-03-16) 人工智能炼丹师 整理 | 共 13 篇论文 | 重点深度解读 5 篇 今日核心看点 DiT 弹性加速 ELIT: FID +35% 多主体视频定制 + 全方位运动控制 视觉生成 RLHF: 66 万评分数据开源 电影级多镜头相机控制 ShotVerse 扩散模型内源思维链推理 92.1% 今日概览 今日 arXiv cs.CV 视觉生成相关论文共 13 篇，重点解读 5 篇。 方向分布： 扩散模型理论与加速 — 3 篇 文本到图像 / 评测 — 2 篇 图像编辑 — 1 篇 3D 生成与重建 — 4 篇 多模态 / 智能体 — 2 篇 顶会收录： CVPR 2026 x 3 篇 + ICLR 2026 x 1 篇 重点论文深度解读 1. ELIT: Elastic Latent Interfaces for Diffusion Transformers 弹性潜在接口 | Snap Research | DiT 通用加速 | arXiv:2603.12245 关键词： DiT 加速, 弹性推理, 跨架构通用, Snap Research 研究动机 Diffusion Transformer (DiT) 的计算量与图像分辨率强绑定，无法灵活地在延迟与质量之间做权衡。更关键的是，DiT 对所有空间位置均匀分配计算资源，忽视了不同区域的重要性差异，导致大量算力浪费在低信息量区域。 方法原理 提出 ELIT (Elastic Latent Interface Transformer)：在 DiT 架构中插入一组可学习的、长度可变的潜在 Token 序列作为「潜在接口」。标准 Transformer 块在这组潜在 Token 上运算，而非直接处理空间 Token。通过轻量的 Read/Write 跨注意力层在空间 Token 和潜在 Token 之间传递信息，并自动优先处理重要区域。训练时随机丢弃尾部潜在 Token，迫使模型学会按重要性排序表示——前部 Token 编码全局结构，后部 Token 负责细节精修。推理时可动态调整潜在 Token 数量以匹配算力预算。 核心创新 即插即用：仅增加两个跨注意力层，不修改 DiT 主体和 rectified flow 训练目标 重要性排序表示：通过尾部 Token 随机丢弃训练，自动学习全局到细节的分层编码 跨架构通用：兼容 DiT、U-ViT、HDiT、MM-DiT 四种主流架构 动态推理预算：同一个模型适配从低算力到高算力的多种部署场景 实验结果 ImageNet-1K 512px: FID 提升 35.3%, FDD 提升 39.6% 跨架构验证: DiT, U-ViT, HDiT, MM-DiT 均有一致增益 算力节省: 潜在 Token 数减半时质量仅微降，实现接近 2x 加速 方法流程 输入空间 Token — 图像/视频的空间特征序列 Read Cross-Attn — 空间 Token -> 潜在 Token 自动聚焦重要区域 潜在 Token 序列 — 可变长度 重要性排序 DiT Transformer 块 — 标准 Self-Attention + FFN Write Cross-Attn — 潜在 Token -> 空间 Token 信息回写 弹性输出 — 根据算力预算截断尾部 技术脉络 核心问题： DiT 计算量与分辨率强绑定，无法灵活权衡延迟与质量 前序工作及局限： Token Merging：合并相似 token 但损失信息 JiT：动态跳过但仍在空间 token 上运算 Perceiver：潜在 token 但未针对扩散优化 DiTFastAttn：固定模式稀疏化 与前序工作的本质区别： 将空间 token 和计算完全解耦，通过可学习潜在接口实现按重要性排序的信息压缩 技术演进定位： 范式创新——从在空间 token 上省计算转变为在潜在接口上做计算 可能的后续方向： 与 token 合并/跳过组合 视频 DiT 时空弹性接口 与 KV 缓存压缩联合优化 批判性点评 实验评估： 跨 4 种 DiT 架构验证扎实。但缺少真实 T2I 模型端到端评估。 新颖性： 潜在接口+重要性排序+弹性推理是扎实新贡献。创新性：4/5 可复现性： 方法清晰架构改动最小。 影响力： 影响力 5/5 — 一个模型多预算对工业部署极有价值。 2. DreamVideo-Omni: Multi-Subject Video Customization with Omni-Motion Control 全方位运动控制视频定制 | 潜在身份强化学习 | arXiv:2603.12257 关键词： 视频定制, 多主体, 运动控制, 身份RL 研究动机 大规模视频扩散模型已能生成高质量视频，但同时精确控制多个主体的身份和多粒度运动仍然是重大挑战。现有方法要么运动粒度有限、要么身份退化严重。 方法原理 提出 DreamVideo-Omni 统一框架，采用渐进式两阶段训练。第一阶段：集成全面控制信号，引入条件感知 3D 旋转位置嵌入协调异构输入，分层运动注入策略增强全局运动引导，分组与角色嵌入将运动信号锚定到特定身份。第二阶段：设计潜在身份奖励反馈学习范式，在预训练视频扩散骨干上训练潜在身份奖励模型，在潜在空间提供运动感知的身份奖励。 核心创新 首个统一框架同时实现多主体身份定制 + 全方位运动控制 条件感知 3D RoPE：解决异构控制信号的空间对齐问题 分组与角色嵌入：显式解纠缠复杂场景中多主体的运动信号 潜在身份奖励学习：在潜在空间中构建运动感知的身份 RM 实验结果 多主体身份保持: 超越所有现有基线 运动控制精度: 全局、局部、相机三粒度均达到 SOTA 新基准 DreamOmni Bench: 专门评估多主体+全方位运动控制 方法流程 多模态输入 — 主体图像 + 文本 + 运动轨迹 3D RoPE 编码 — 条件感知旋转位置嵌入 分组角色嵌入 — 运动信号锚定到特定身份 分层运动注入 — 全局+局部+相机分层控制 视频扩散去噪 — DiT 多粒度条件引导 身份奖励 RL — 潜在空间身份 RM 优化 技术脉络 核心问题： 多主体身份保持和多粒度运动控制难以兼顾 前序工作及局限： DreamBooth：仅单主体 AnimateDiff：运动粒度有限 MotionCtrl：身份保持弱 IP-Adapter：多主体时身份混淆 与前序工作的本质区别： 统一多主体身份、全局运动、局部动态、相机控制，用潜在身份奖励 RL 解决身份退化 技术演进定位： 集大成者——统一视频定制分散的研究方向 可能的后续方向： 5+主体可扩展性 3D 感知运动控制融合 长视频身份一致性 批判性点评 实验评估： DreamOmni Bench 是重要贡献。RL 训练稳定性需更多消融。 新颖性： 统一多个控制维度是工程突破。创新性：4/5 可复现性： 框架复杂度较高，复现门槛不低。 影响力： 影响力 4/5 — 方向正确但框架复杂度可能限制采用。 3. FIRM: Faithful Image Reward Modeling for Editing and Generation 鲁棒奖励模型 | FIRM-Edit-370K | 全套开源 | arXiv:2603.12247 关键词： 奖励模型, 图像编辑, RLHF, Benchmark 研究动机 RL 正成为提升图像编辑和 T2I 生成的主要范式，但当前奖励模型存在严重的幻觉问题，给出噪声评分从根本上误导优化方向。 方法原理 提出 FIRM 框架：定制化数据策划管道构建高质量评分数据集(Edit-370K + Gen-293K)，训练专业化奖励模型(Edit-8B + Gen-8B)。设计 Base-and-Bonus 奖励策略——编辑用一致性调制执行 CME，生成用质量调制对齐 QMA——平衡竞争目标。提出 FIRM-Bench 综合评测基准。 核心创新 首个专门针对编辑和生成的大规模奖励模型框架 FIRM-Edit-370K + FIRM-Gen-293K: 共 66 万高质量评分数据 Base-and-Bonus 奖励策略: CME 和 QMA 平衡竞争目标 全套开源: 数据集、模型、代码均公开 实验结果 FIRM-Edit-8B: 与人类判断对齐度显著超越现有指标 FIRM-Qwen-Edit: 编辑性能突破性提升 FIRM-SD3.5: 生成保真度和指令遵循新标准 数据集+模型+代码: 全部开源 方法流程 数据策划管道 — 编辑: 执行+一致性; 生成: 指令遵循 FIRM 数据集 — Edit-370K + Gen-293K 专业化 RM 训练 — Edit-8B + Gen-8B Base-and-Bonus — CME + QMA 策略 RL 微调 — 可靠 Critic 引导优化 高保真输出 — FIRM-Qwen-Edit / SD3.5 技术脉络 核心问题： RL 优化时奖励模型幻觉导致噪声评分误导优化 前序工作及局限： ImageReward：通用偏好不专门针对编辑 HPS v2：未拆分编辑vs生成 DDPO：使用通用奖励 InstructPix2Pix：无专门 Critic 与前序工作的本质区别： 首次为编辑和生成分别构建大规模评分数据集和专业化奖励模型 技术演进定位： 基础设施建设——为扩散模型 RL 提供可靠 Critic 可能的后续方向： 视频编辑/生成 RM 多轮交互编辑序列化奖励 跨模型迁移性 批判性点评 实验评估： 66 万数据集规模可观，FIRM-Bench 设计系统性强。 新颖性： 可靠 Critic 比聪明 Policy 更重要的洞察深刻。创新性：4/5 可复现性： 全套开源，可复现性极佳。 影响力： 影响力 5/5 — 可能成为扩散模型 RLHF 基础设施。 4. ShotVerse: Cinematic Camera Control for Multi-Shot Video 电影级多镜头视频创作 | Plan-then-Control | arXiv:2603.11421 关键词： 多镜头视频, 相机控制, VLM 规划, 数据驱动 研究动机 文本驱动视频生成在多镜头场景中的相机控制仍是关键瓶颈：隐式文本提示缺乏精确性，显式轨迹条件带来巨大手动开销且执行常失败。 方法原理 提出以数据为核心的范式：对齐的 (Caption,Trajectory,Video) 三元组构成联合分布。构建 Plan-then-Control 框架：VLM 规划器从文本生成全局对齐轨迹，控制器通过相机适配器渲染多镜头视频。核心是自动化多镜头相机校准管线和 ShotVerse-Bench 数据集。 核心创新 Plan-then-Control 解耦: VLM 规划 + 控制器渲染 自动化多镜头相机校准: 统一全局坐标系 ShotVerse-Bench: 高保真电影数据集 + 三轨评测 跨镜头一致性: 相机准确+视觉连贯 实验结果 相机轨迹准确性: 显著超越文本控制和手动轨迹基线 跨镜头一致性: 多镜头间视觉连贯达到电影级标准 用户研究: 电影美学评分大幅领先 方法流程 文本脚本输入 — 自然语言描述场景和相机意图 VLM 规划器 — 空间先验推理 生成全局轨迹 多镜头校准 — 单镜头轨迹对齐到全局坐标系 相机适配器 — 轨迹条件注入视频生成模型 多镜头渲染 — 跨镜头一致的电影级画面 技术脉络 核心问题： 多镜头视频相机控制缺少文本自然表达和精确控制之间的桥梁 前序工作及局限： CameraCtrl：仅单镜头 MotionCtrl：无跨镜头一致性 Animate-A-Story：相机控制弱 Direct-a-Video：仅单镜头 与前序工作的本质区别： 数据驱动的联合分布学习，VLM 规划+控制器执行，实现端到端多镜头视频管线 技术演进定位： 应用创新——首次解决多镜头电影级相机控制 可能的后续方向： 10+镜头一致性 渲染引擎集成 导演意图交互精调 批判性点评 实验评估： 三轨评测协议有价值。与单镜头方法缺少直接对比。 新颖性： Plan-then-Control 简洁优雅。创新性：3/5 可复现性： 工程复杂度较高。 影响力： 影响力 4/5 — 多镜头控制是走向影视级应用的关键。 5. EndoCoT: Endogenous Chain-of-Thought Reasoning in Diffusion Models 扩散模型内生思维链 | MLLM+DiT 深度推理 | arXiv:2603.12252 关键词： 思维链, 扩散模型, 空间推理, MLLM+DiT 研究动机 MLLM 作为扩散框架的文本编码器时，单步编码无法激活思维链过程推理深度不足，且解码过程中引导固定不变。 方法原理 提出 EndoCoT 框架：迭代思维引导模块在潜在空间中迭代优化思维状态，激活 MLLM 推理潜力并桥接到 DiT 去噪过程。终端思维锚定模块将最终状态与真实答案对齐，确保推理不漂移。两个组件让 MLLM 提供精心推理的引导，DiT 逐步执行复杂任务。 核心创新 首次在扩散模型中实现内源性思维链推理 迭代思维引导模块: 在潜在空间逐步精炼推理状态 终端思维锚定: 推理轨迹与真实答案对齐防止漂移 MLLM+DiT 渐进式推理引导: 复杂任务逐步分解 实验结果 整体平均准确率: 92.1%, 超越最强基线 8.3 个百分点 Maze/TSP/VSP/Sudoku 等复杂推理均达 SOTA 23 页论文 18 张图: 全面消融实验 方法流程 复杂指令输入 — 迷宫/TSP/数独等推理任务 MLLM 编码器 — 初始编码 激活推理起点 迭代思维引导 — 潜在空间逐步精炼推理 终端思维锚定 — 与真实答案对齐防漂移 DiT 渐进去噪 — 推理引导的逐步去噪 推理一致输出 — 高质量生成结果 技术脉络 核心问题： MLLM 编码器单步编码推理深度不足，解码过程引导固定 前序工作及局限： DALL-E 3：T5 编码无推理 RPG：外部推理非内源 LLM Blueprint：与去噪过程脱耦 PixArt-alpha：无迭代推理 与前序工作的本质区别： 将 CoT 从外部规划内化到去噪过程中，MLLM 成为迭代推理器而非一次性编码器 技术演进定位： 范式转换——从外部推理+内部生成转为内源性推理-生成一体化 可能的后续方向： 通用 T2I 组合推理 推理步数自适应 与 o1 推理模型结合 批判性点评 实验评估： 92.1% 准确率令人印象深刻但在逻辑推理任务而非典型视觉生成。 新颖性： CoT 内化到去噪过程是概念重大创新。创新性：5/5 可复现性： 实现复杂度较高。 影响力： 影响力 4/5 — 如能推广到通用 T2I 将是变革性的。 批判性点评精选 1. DiT 加速：从 Token 级优化到架构级解耦 ELIT 将 DiT 加速从 token 粒度提升到架构级别。关键问题：在 FLUX/SD3 上是否仍成立？ 2. 视觉生成 RLHF 时代正式开启 FIRM 66 万评分数据+全套开源，标志扩散模型从探索期进入基础设施建设期。 3. 思维链内化：扩散模型的慢思考能力 EndoCoT 让扩散模型拥有类似 o1 的推理能力，92.1% 证明方向可行。 其余论文 · 贡献与效果总结 # 论文 关键词 主要贡献 效果 1 EVATok (Adaptive Length Video Tokenization for AR Generation) 视频 Token . AR 生成 . CVPR 2026 自适应长度视频 Tokenizer，轻量路由器预测最优 Token 分配 UCF-101 SOTA，Token 节省 24.4%+ (CVPR 2026) 2 MOG (Manifold-Optimal Guidance for Diffusion Models) CFG 改进 . 黎曼几何 . 无训练 黎曼流形局部最优控制修复 CFG 离流形漂移，Auto-MOG 动态校准 消除 CFG 过饱和，几乎零额外开销 3 WeEdit (Glyph-Guided Text-centric Image Editing) 文本编辑 . 字形引导 . 多语言 HTML 管道生成 33 万训练对(15 种语言)，字形引导 SFT + 多目标 RL 文本编辑准确率超越所有开源模型 4 SoulX-LiveAct (Hour-Scale Real-Time Human Animation) 实时动画 . AR 扩散 . 无限视频 Neighbor Forcing(扩散步对齐) + ConvKV 固定内存无限视频 小时级 20FPS 实时(2x H100)，唇形/情感 SOTA 5 PROMO (Promptable Virtual Try-On with Flow Matching DiT) 虚拟试穿 . Flow Matching . DiT VTON 重定义为结构化编辑，FM-DiT + 潜在多模态条件 + 自参考加速 保真度超所有 VTON 方法，速度质量最优 6 CEI-3D (Collaborative Explicit-Implicit 3D Editing) 3D 编辑 . SDF+点 . 属性解耦 隐式 SDF + 显式处理点协作，物理属性解耦独立控制 比 SOTA 更逼真精细，编辑时间更短 7 OSCBench (Object State Change in T2V Generation) T2V 评测 . 状态变化 . Benchmark 首个评估 T2V 中对象状态变化的基准，组织为常规/新颖/组合场景 揭示当前 T2V 在状态变化上的重大不足 8 Coarse-Guided VG (Visual Generation via h-Transform Sampling) 引导采样 . h-Transform . 无训练 h-Transform 约束扩散采样，噪声感知调度平衡引导与质量 多种图像视频任务验证有效 趋势观察 DiT 效率革命从 token 级走向架构级 — ELIT 的潜在接口方案预示着 DiT 加速的新范式 视频定制进入多主体+全方位运动时代 — DreamVideo-Omni 统一了身份、运动、相机三个维度 扩散模型 RLHF 基础设施加速完善 — FIRM 66 万评分数据+专业化 RM 开源 多镜头视频创作工具链逐步成形 — ShotVerse 的 Plan-then-Control 让电影级创作更近 扩散模型的推理能力被正式重视 — EndoCoT 将 CoT 内化到去噪过程，开辟新方向 人工智能炼丹师 整理 | 2026-03-16

AIGC 周末专题深度解读：生成与理解的大一统之路 AIGC 周末专题深度解读：生成与理解的大一统之路 人工智能炼丹师 整理 | 2026年3月15日（周日） 覆盖时间：2026年3月2日 — 2026年3月14日 本期概述 本周 AIGC 领域最热门的方向莫过于统一多模态模型（Unified Multimodal Models, UMMs）——将视觉理解（图像识别、VQA、推理）与视觉生成（文生图、图像编辑）统一在同一个模型框架内。过去一周内，arXiv 上涌现了超过 8 篇高质量论文，从架构设计、训练范式、评测基准、长序列生成到强化学习后训练，全方位推动了这一方向的发展。 核心问题 传统的多模态 AI 系统中，"理解"和"生成"是两套独立的系统： 理解侧：CLIP、SigLIP、InternVL 等模型擅长视觉语义理解 生成侧：Stable Diffusion、DALL-E、FLUX 等模型擅长图像生成 统一多模态模型的目标是让同一个模型既能"看懂"图片，又能"画出"图片，甚至让两种能力相互促进。 本期论文一览 # 论文 机构 核心贡献 arXiv ID 1 DREAM MIT + Amazon 联合判别-生成训练框架，Masking Warmup + 语义对齐解码 2603.02667 2 GvU (CVPR 2026) 北大 + 百度 理解驱动内在奖励，自监督 RL 缩小生成-理解差距 2603.06043 3 Omni-Diffusion 腾讯 + CASIA 首个全离散扩散统一模型，文本+语音+图像 any-to-any 2603.06577 4 InternVL-U 上海AI Lab + 商汤 4B 参数统一模型，CoT 推理增强生成，超越 14B 基线 2603.09877 5 UniCom 阿里达摩院 压缩连续语义表征，Transfusion 架构，SOTA 生成 2603.10702 6 UniG2U-Bench 多机构联合 首个系统性 G2U 评测基准，7 种机制 30 个子任务 2603.03241 7 UniLongGen Adobe + PolyU 长序列交错生成的主动遗忘策略，解决视觉污染 2603.07540 8 GRPO-Interleaved 华为 + 复旦 GRPO 扩展到多模态交错生成，过程级奖励 2603.09538 1. DREAM：视觉理解与文生图的联合优化框架 论文: DREAM: Where Visual Understanding Meets Text-to-Image Generation arXiv: 2603.02667 机构: MIT CSAIL, Amazon 发布日期: 2026年3月3日 1.1 研究动机 在多模态学习中，视觉理解（如 CLIP 的对比学习）和图像生成（如 MAE 的掩码重建）一直是两个独立的优化目标。直接联合训练会导致两个目标相互冲突——对比学习需要低掩码率保留全局语义，而生成训练需要高掩码率学习重建。 1.2 方法原理 DREAM 提出了两项关键技术来解决这一矛盾： （1）Masking Warmup（掩码预热）策略 训练分为两个阶段： 预热阶段：掩码率从低（~15%）逐渐增加，先建立对比对齐的表征空间 生成阶段：掩码率增加到高（~75%），在已有的稳定表征上训练生成能力 这种渐进式调度避免了"同时从零开始学两件事"的不稳定性。 （2）Semantically Aligned Decoding（语义对齐解码） 推理时，模型生成多个部分掩码的候选图像，然后用模型自身的理解分支计算每个候选与目标文本的语义对齐分数，选择最佳候选继续解码。这相当于在不引入外部重排序器的情况下，用理解能力"把关"生成质量。 1.3 实验结果 仅在 CC12M（1200 万图文对）上训练： ImageNet 线性探测：72.7%（比 CLIP 高 1.1%） FID：4.25（比 FLUID 低 6.2%） 文本-图像保真度提升 6.3%（无需外部重排序器） 1.4 关键洞察 DREAM 证明了判别目标和生成目标之间存在协同效应，而非简单的零和竞争。关键在于训练策略的设计——让模型先学好"看"，再学"画"。 2. GvU：理解驱动的内在奖励机制（CVPR 2026） 论文: Learning to Generate via Understanding: Understanding-Driven Intrinsic Rewarding for Unified Multimodal Models arXiv: 2603.06043 机构: 北京大学, 百度 发布日期: 2026年3月6日 | 会议: CVPR 2026 2.1 研究动机 现有的统一多模态模型存在一个显著的"能力不对称"问题：理解能力强，生成能力弱。模型能准确描述图片中的每个细节，但让它根据文字画图时却经常"丢三落四"。这种差距的根源在于理解和生成过程在训练中是解耦的。 2.2 方法原理 GvU 的核心思想非常精妙——让模型用自己的理解能力来指导自己的生成能力： Token 级内在文本-图像对齐奖励： 模型生成一张图像后，用自身的理解分支对生成的图像进行分析 将理解结果与原始文本提示做 token 级对齐打分 得到细粒度的"内在奖励信号" 自监督强化学习框架： 模型同时扮演"教师"（理解分支提供奖励）和"学生"（生成分支接收奖励并优化） 通过迭代的 RL 训练，生成能力逐步提升 无需任何外部标注或人工反馈 2.3 实验结果 生成质量（FID、CLIP Score）显著提升 反过来，细粒度视觉理解能力也得到增强 实现了理解→生成→理解的正向循环 2.4 关键洞察 GvU 开创了一种"自我进化"范式：模型不依赖外部信号，仅通过内部的理解-生成循环就能持续改进。这与 LLM 领域的 Self-Play 思想异曲同工，但在多模态领域是首次实现。 3. Omni-Diffusion：首个全离散扩散统一模型 论文: Omni-Diffusion: Unified Multimodal Understanding and Generation with Masked Discrete Diffusion arXiv: 2603.06577 机构: 腾讯, 中科院自动化所 发布日期: 2026年3月6日 3.1 研究动机 现有的统一多模态模型几乎都采用自回归（Autoregressive）架构作为骨干。但自回归架构存在固有局限： 生成速度慢（逐 token 预测） 长序列时容易出现错误累积 难以高效处理多模态联合分布 离散扩散模型（Discrete Diffusion）是一种新兴的替代方案，它通过逐步去掩码的方式并行生成，但之前从未被用于构建统一的多模态系统。 3.2 方法原理 Omni-Diffusion 是首个完全基于掩码离散扩散模型的 any-to-any 多模态语言模型： 统一的掩码-去掩码框架： 文本、图像、语音全部被编码为离散 token 使用统一的掩码扩散过程直接建模多模态联合分布 前向过程：随机掩码 token → 全掩码状态 反向过程：从全掩码状态逐步预测并恢复 token 支持的任务： 文本→图像、图像→文本 语音→文本、文本→语音 图像+文本→文本（多模态理解） 以及更复杂的跨模态场景 3.3 实验结果 在多项基准测试上： 理解任务：与现有多模态系统持平或超越 生成任务：在图像生成质量上表现突出 展示了离散扩散模型作为多模态基础模型骨干的巨大潜力 3.4 关键洞察 Omni-Diffusion 打破了"统一多模态模型 = 自回归"的思维定式，证明了离散扩散模型可以作为下一代多模态基础模型的骨干架构。这为并行生成、更灵活的条件控制和更高效的推理打开了新的可能性。 4. InternVL-U：4B 参数挑战 14B+ 大模型 论文: InternVL-U: Democratizing Unified Multimodal Models for Understanding, Reasoning, Generation and Editing arXiv: 2603.09877 机构: 上海 AI Lab, 商汤, 港中文 发布日期: 2026年3月10日 4.1 研究动机 现有的统一多模态模型在追求全能的过程中往往面临"鱼与熊掌不可兼得"的困境——要么理解能力强但生成一般（如 Janus），要么生成漂亮但理解退化。而且大部分方案需要巨大的参数量（10B+）才能取得不错效果。 4.2 方法原理 InternVL-U 通过三个关键设计突破了这一瓶颈： （1）解耦视觉表征 + 模态特定模块化 理解分支：使用 InternViT 作为视觉编码器，保留强大的语义理解 生成分支：使用 MMDiT（Multi-Modal Diffusion Transformer）作为视觉生成头 两个分支共享语言模型的上下文空间，但视觉表征独立 （2）以推理为中心的数据合成流水线 针对文本渲染、科学图表推理等高语义密度任务 使用 CoT（思维链）将抽象的用户意图分解为细粒度的视觉生成细节 让模型"先想清楚要画什么，再动笔" （3）渐进式训练策略 阶段 1：分别预训练理解和生成模块 阶段 2：联合微调，让两个模块学会协作 阶段 3：指令微调，对齐用户意图 4.3 实验结果 仅 4B 参数的 InternVL-U： 在生成和编辑任务上超越 BAGEL（14B）等大 3 倍以上的模型 同时保持与同尺寸纯理解模型相当的多模态理解和推理能力 证明了"小而精"的统一模型路线的可行性 4.4 关键洞察 InternVL-U 表明精心的架构设计和数据工程可以弥补参数量的不足。特别是 CoT 推理增强生成的范式——让模型先推理再生成——可能是统一模型走向实用的关键路径。 5. UniCom：压缩连续表征的最优解 论文: UniCom: Unified Multimodal Modeling via Compressed Continuous Semantic Representations arXiv: 2603.10702 机构: 阿里巴巴达摩院 发布日期: 2026年3月11日 5.1 研究动机 统一多模态模型的一个核心技术选择是视觉表征形式： 方案 优势 劣势 离散 Token（VQ-VAE） 与 LLM 天然兼容 信息损失大，理解能力弱 连续表征（CLIP） 语义信息丰富 高维空间难以建模生成 UniCom 的目标是找到一个"甜蜜点"——在保留丰富语义的同时降低建模难度。 5.2 方法原理 核心发现：通道压缩优于空间下采样 通过系统的消融实验，UniCom 团队发现： 在重建和生成两项任务上，减少特征的通道维度比传统的空间下采样（降低分辨率）更有效 原因：空间下采样丢失了局部细节，而通道压缩保留了空间结构 基于注意力的语义压缩器： 将 CLIP/SigLIP 的密集特征图（如 256×1024 维）压缩为紧凑表征（如 256×64 维） 使用交叉注意力机制，让压缩后的表征"聚焦"于最重要的语义信息 压缩后的表征同时服务于理解（作为 LLM 的视觉输入）和生成（作为扩散模型的条件） Transfusion 架构选择： 验证了 Transfusion（理解用自回归、生成用扩散）优于纯查询式（query-based）设计 收敛更快、生成-理解一致性更好 5.3 实验结果 在统一模型中实现了最先进的生成性能 图像编辑的可控性优于基于离散 token 的方案 即使不依赖 VAE 也能保持图像一致性 5.4 关键洞察 UniCom 为"离散 vs 连续"之争提供了一个折中方案：压缩后的连续表征既保留了语义丰富性，又降低了生成建模的难度。这可能是未来统一模型视觉表征的主流选择。 6. UniG2U-Bench：生成如何增强理解？首个系统性评测 论文: UniG2U-Bench: Do Unified Models Advance Multimodal Understanding? arXiv: 2603.03241 机构: 多机构联合 发布日期: 2026年3月3日 6.1 研究动机 统一模型的一个核心 Promise 是"生成能力能够反过来增强理解能力"。但这个 Promise 到底在多大程度上成立？在什么任务上成立？现有基准测试无法系统性地回答这些问题。 6.2 方法原理 UniG2U-Bench 将"生成到理解"（G2U）评测分解为： 7 种机制： 心理旋转（空间想象） 视觉类比推理 视觉错觉感知 图形变换理解 多步推理（含中间状态） 风格/属性变换感知 反事实视觉推理 30 个子任务，需要不同程度的隐式或显式视觉变换。 6.3 核心发现 对 30+ 个模型的评估揭示了三个重要结论： 发现 1：统一模型通常不如其基础 VLM，"生成后回答"（Generate-then-Answer）推理通常比直接推理更差。 发现 2：但在特定场景下，生成确实能增强理解： 空间智能：需要心理旋转或 3D 推理的任务 视觉错觉：需要超越表面特征的任务 多轮推理：需要中间图像状态辅助的复杂任务 发现 3：具有相似推理结构的任务和相似架构的模型表现出相关的行为模式，说明 G2U 耦合是由训练数据和架构共同决定的归纳偏差。 6.4 关键洞察 UniG2U-Bench 给出了一个清醒的结论：生成增强理解并非万能药，而是在特定场景下才有效。这为未来的统一模型设计提供了明确的优化方向——聚焦于空间推理和多步推理场景。 7. UniLongGen：长序列交错生成的"主动遗忘"策略 论文: How Long Can Unified Multimodal Models Generate Images Reliably? Taming Long-Horizon Interleaved Image Generation via Context Curation arXiv: 2603.07540 机构: Adobe Research, 香港理工大学 发布日期: 2026年3月8日 7.1 研究动机 统一多模态模型的一个重要应用是交错生成——在一个长序列中交替生成文本和图像，用于视觉故事讲述、分步教程等场景。但现有模型面临一个严重问题：随着序列增长，生成质量急剧崩溃。 7.2 方法原理 关键发现：视觉历史是"主动污染"源 论文通过深入分析发现： 质量崩溃不是由 Token 总数引起的（不同于 LLM 的长上下文问题） 而是由累积的图像事件数量决定 密集的视觉 Token 会压倒注意力机制，产生"噪声干扰"，扭曲后续的图像合成 UniLongGen：无训练的推理策略 核心思想——主动遗忘： 在每个生成步骤前，根据模型内部的注意力权重计算每个历史图像的"相关性分数" 保留与当前生成最相关的视觉上下文 丢弃低相关性的历史图像（即使它们是"正确的"历史记录） 优先保证生成条件的"干净性"，而非历史记录的完整性 7.3 实验结果 长期保真度和一致性显著优于所有基线方法 内存占用减少（因为丢弃了不需要的历史） 推理速度提升 7.4 关键洞察 UniLongGen 揭示了一个反直觉的事实：在长序列生成中，"记住所有东西"反而是有害的。这与人类的认知机制类似——我们在创作长篇叙事时，也需要有选择性地"忽略"之前的细节，聚焦于当前的创作。 8. GRPO-Interleaved：强化学习后训练解锁交错生成 论文: Towards Unified Multimodal Interleaved Generation via Group Relative Policy Optimization arXiv: 2603.09538 机构: 华为, 复旦大学 发布日期: 2026年3月10日 8.1 研究动机 现有的统一多模态模型在理解和单模态生成上表现不错，但在多模态交错输出（如交替生成文本和图像的长叙事）上严重不足。原因是高质量的交错训练数据极度稀缺。 8.2 方法原理 两阶段训练范式： 阶段 1：混合数据预热 精心策划少量交错序列 加入有限的理解数据和 T2I 数据 让模型"接触"交错生成模式，但不破坏预训练能力 阶段 2：群组相对策略优化（GRPO） 将 GRPO（源自 DeepSeek-R1 的 RL 方法）扩展到多模态： 在单个解码轨迹中联合建模文本和图像生成 设计混合奖励函数： 文本相关性奖励：生成文本与输入的一致性 视觉-文本对齐奖励：生成图像与上下文文本的匹配度 结构保真度奖励：交错内容的结构合理性 过程级奖励： 不仅评价最终结果，还对每一步生成提供奖励信号 提高了复杂多模态任务的训练效率 8.3 实验结果 在 MMIE 和 InterleavedBench 上： 交错生成的质量和连贯性显著提升 在不依赖大规模交错数据集的情况下实现了突破 8.4 关键洞察 GRPO-Interleaved 证明了强化学习后训练（RL Post-Training）是解锁统一模型新能力的有效手段。这延续了 LLM 领域 RLHF/DPO 的成功经验，将其推广到多模态交错生成这一更复杂的场景。 横向对比与技术脉络总结 架构对比 论文 骨干架构 视觉表征 理解-生成耦合方式 DREAM ViT + MAE 连续（掩码重建） 共享编码器 + 联合训练 GvU LLM + VQ-VAE 离散 Token 自监督 RL 桥接 Omni-Diffusion 离散扩散 LM 离散 Token 统一扩散过程 InternVL-U InternViT + MMDiT 解耦表征 共享上下文 + 模态模块化 UniCom LLM + Transfusion 压缩连续表征 通道压缩 + Transfusion 训练范式对比 论文 训练方法 外部监督 数据需求 DREAM 渐进式联合预训练 无 CC12M（12M 图文对） GvU 自监督 RL 后训练 无（内在奖励） 极少额外数据 Omni-Diffusion 统一扩散预训练 无 大规模多模态数据 InternVL-U 三阶段渐进训练 + CoT 数据合成 合成数据 中等规模 UniCom Transfusion 预训练 无 大规模多模态数据 GRPO-Interleaved GRPO 后训练 混合奖励函数 极少交错数据 核心技术趋势 趋势 1：从"对抗"到"协同" 早期的统一模型中，理解和生成是竞争关系（共享参数导致能力冲突）。本周的论文普遍转向"协同"思维——用理解增强生成（GvU），或证明两者可以共赢（DREAM）。 趋势 2：后训练成为关键杠杆 GvU 和 GRPO-Interleaved 都表明，在预训练模型上做少量 RL 后训练，就能显著解锁新能力。这与 LLM 领域 ChatGPT 的成功路径一致。 趋势 3：离散扩散的崛起 Omni-Diffusion 首次证明了离散扩散可以替代自回归成为统一模型的骨干，为并行生成和更灵活的架构设计开辟了道路。 趋势 4：表征形式的创新 从纯离散（VQ-VAE）到纯连续（CLIP），再到 UniCom 的"压缩连续"，表征设计正在走向更精细化的折中方案。 趋势 5：长序列和交错生成的突破 UniLongGen 和 GRPO-Interleaved 共同推动了交错生成的进步，让统一模型距离实际应用（视觉叙事、交互式内容创作）更近了一步。 技术路线全景图 统一多模态模型技术路线 ├── 架构设计 │ ├── 自回归统一 → DREAM, InternVL-U, UniCom │ ├── 扩散统一 → Omni-Diffusion │ └── 混合架构 → Transfusion (UniCom), 解耦模块化 (InternVL-U) ├── 视觉表征 │ ├── 离散 Token → Omni-Diffusion, GvU │ ├── 连续表征 → DREAM │ └── 压缩连续 → UniCom (NEW 最优折中) ├── 训练范式 │ ├── 联合预训练 → DREAM, Omni-Diffusion │ ├── 渐进式训练 → InternVL-U (3 阶段) │ └── RL 后训练 → GvU (自监督), GRPO-Interleaved (混合奖励) ├── 评测与分析 │ └── G2U 系统评测 → UniG2U-Bench (7 机制 30 任务) └── 应用扩展 ├── 长序列交错生成 → UniLongGen (主动遗忘) └── 多模态交错生成 → GRPO-Interleaved (过程级 RL) 总结与展望 本周的 8 篇论文共同描绘了统一多模态模型的全景图。以下是几个值得关注的未来方向： 规模化验证：DREAM 仅在 CC12M 上验证，规模扩大后协同效应是否更强？ 自我进化闭环：GvU 的自监督 RL 能否无限迭代，实现模型的持续自我改进？ 离散扩散的极限：Omni-Diffusion 的 any-to-any 能力能否扩展到视频和 3D？ 小模型的力量：InternVL-U 的 4B 成功是否意味着统一模型不需要"更大"，只需要"更聪明"？ 交错生成的实用化：UniLongGen + GRPO 的组合能否实现真正实用的视觉叙事系统？ 统一多模态模型正处于从"概念验证"走向"实际可用"的关键转折点。生成与理解的融合不再是一个遥远的愿景，而是一个正在快速成形的现实。 人工智能炼丹师 整理 | 数据来源：arXiv 2026年3月2日—14日

AIGC 周末专题深度解读：视频扩散 Transformer 高效推理 AIGC 周末专题深度解读：视频扩散 Transformer 高效推理 专题方向：视频 DiT 中的稀疏注意力、线性注意力与推理加速 覆盖时间：2026年3月2日 — 2026年3月13日 整理：人工智能炼丹师 日期：2026年3月14日（周六） 一、专题概览 本周是视频扩散 Transformer（Video DiT）高效推理方向的"论文爆发周"。短短一周内，arXiv 上出现了 9 篇 高度聚焦于视频 DiT 注意力加速与推理优化的论文，覆盖了从稀疏注意力、线性注意力、结构化注意力，到蒸馏压缩、缓存+剪枝、系统级并行优化的完整技术栈。 核心背景 当前主流视频生成模型（Wan 2.1/2.2、HunyuanVideo、Mochi 等）均采用 Diffusion Transformer（DiT）架构，其核心瓶颈在于 全注意力（Full 3D Attention）的 O(N²) 复杂度。一段 5 秒 720P 视频的 token 序列长度可达数十万，全注意力的计算量和显存占用极其惊人。因此，如何在保持生成质量的前提下大幅降低注意力计算成本，成为本周研究的核心主题。 本周论文全景 # 论文 方法类别 核心思路 加速比 提交日期 1 CalibAtt 稀疏注意力（免训练） 离线校准块级稀疏模式 1.58x E2E 3月5日 2 SVG-EAR 稀疏注意力 + 线性补偿（免训练） 误差感知路由 + 聚类质心补偿 1.77-1.93x 3月9日 3 SODA 缓存 + 剪枝（免训练） 敏感度导向的动态加速 SOTA fidelity 3月7日 4 FrameDiT 结构化注意力（需训练） 帧级矩阵注意力 ~Local FA 3月10日 5 VMonarch 结构化注意力（轻量微调） Monarch 矩阵分解 5x attn, 17.5x FLOPs↓ 1月29日 6 SALAD 稀疏 + 线性混合（轻量微调） 门控线性注意力并行分支 1.72x, 90%稀疏 1月23日 7 SLA 稀疏 + 线性融合（微调） 三级权重分类 + 自定义 kernel 2.2x E2E, 13.7x attn 2025.9 (ICLR'26) 8 FastLightGen 蒸馏 + 剪枝 步数+参数同时压缩 4步+30%剪枝 3月2日 9 Diagonal Distillation 自回归蒸馏 对角蒸馏 + 隐式光流 277.3x, 31 FPS 3月10日 二、重点论文深度解读 论文 1：CalibAtt — 校准稀疏注意力加速视频生成 标题：Accelerating Text-to-Video Generation with Calibrated Sparse Attention 作者：Shai Yehezkel, Shahar Yadin, Noam Elata 等 机构：以色列理工 日期：2026年3月5日 arXiv：2603.05503 关键词：稀疏注意力 免训练 离线校准 块级模式 Wan 2.1 Mochi 研究动机 视频 DiT 中的全注意力计算是推理速度的主要瓶颈。已有的稀疏注意力方法要么需要训练（如 SLA、SALAD），要么是在线动态判断每个 token 的重要性（开销大）。作者观察到一个关键现象：大量 token-to-token 连接在不同输入上一致地产生可忽略的注意力分数，且这些模式在不同查询间重复出现。 方法原理 CalibAtt 采用"离线校准 + 在线高效推理"的两阶段策略： 离线校准阶段：在少量参考视频上运行全注意力，统计每一层、每个注意力头、每个扩散时间步的块级（block-level）稀疏模式和重复模式 模式编译：将稳定的稀疏模式编译为优化的注意力操作（类似于"稀疏注意力的 JIT 编译"） 在线推理：只计算被选中的输入相关连接，以硬件友好的方式跳过未选中的连接 核心创新 块级粒度：不做 token 级稀疏（开销大），而是以 token block 为单位，兼顾精度和效率 跨输入稳定性：发现稀疏模式对输入不敏感，可以离线固定 层-头-时间步三维校准：不同层/头/时间步的稀疏模式不同，细粒度适配 实验结果 在 Wan 2.1 14B、Mochi 1 及其蒸馏版本上测试 实现 1.58x 端到端加速 在视频生成质量和文本-视频对齐度上优于已有免训练方法 支持多种分辨率 技术脉络 Sparse VideoGen (2024) → Sparse VideoGen2 (2025.5) → CalibAtt (2026.3)。从在线动态稀疏 → 离线校准静态稀疏，核心洞察是"稀疏模式跨输入稳定"。 批判性点评 优势：完全免训练，直接即插即用；离线校准成本低；硬件友好 局限：1.58x 的加速比在本周论文中并不突出；块级粒度可能丢失细粒度信息；对新架构需要重新校准 创新性评分：3/5 — 洞察有价值但方法相对直接 论文 2：SVG-EAR — 无参数线性补偿的误差感知路由 标题：SVG-EAR: Parameter-Free Linear Compensation for Sparse Video Generation via Error-aware Routing 作者：Xuanyi Zhou, Qiuyang Mang, Shuo Yang 等 (UC Berkeley, Ion Stoica 组) 日期：2026年3月9日 arXiv：2603.08982 关键词：稀疏注意力 线性补偿 误差感知路由 聚类质心 免训练 Wan 2.2 HunyuanVideo 研究动机 现有稀疏注意力方法面临两难：(1) 直接丢弃被跳过的注意力块会丢失信息；(2) 用学习型预测器来近似它们又引入训练开销和分布偏移。能否在不训练的情况下恢复被跳过块的贡献？ 方法原理 SVG-EAR 的核心洞察：经过语义聚类后，同一块内的 key 和 value 具有高度相似性，可以用少量聚类质心准确概括。 聚类质心补偿：对被跳过的注意力块，用 key/value 的聚类质心做线性（O(N)）近似，恢复其对输出的贡献 误差感知路由：传统方法按注意力分数选择需要精确计算的块，但高注意力分数 ≠ 高近似误差。SVG-EAR 用一个轻量探测器估计每个块的补偿误差，选择"误差-成本比"最高的块做精确计算 理论保证：提供了注意力重建误差与聚类质量之间的理论上界 核心创新 误差感知 vs 分数感知：颠覆了传统"高注意力分数 = 重要"的假设，改为"高近似误差 = 需要精确计算" 无参数线性补偿：用聚类质心做 O(N) 补偿，不需要任何训练 帕累托最优：在所有免训练方法中建立了新的帕累托前沿 实验结果 Wan 2.2：1.77x 加速，PSNR 29.759 HunyuanVideo：1.93x 加速，PSNR 31.043 显著优于 Sparse VideoGen2 和 CalibAtt 技术脉络 Sparse VideoGen → SVG2 → SVG-EAR（同一系列的第三代，Ion Stoica / Berkeley 团队的持续推进） 批判性点评 优势：免训练、有理论保证、误差感知路由的思路很优雅 局限：聚类质心计算本身有开销；实际 wall-clock 加速受限于聚类效率；PSNR 不是视频生成的最佳指标 创新性评分：4/5 — 误差感知路由是本周最有洞察的方法论创新 论文 3：SODA — 敏感度导向的动态加速 标题：SODA: Sensitivity-Oriented Dynamic Acceleration for Diffusion Transformer 作者：Tong Shao, Yusen Fu 等 日期：2026年3月7日 arXiv：2603.07057 关键词：缓存 剪枝 敏感度分析 动态规划 免训练 DiT-XL PixArt-α OpenSora 研究动机 特征缓存（caching）和 token 剪枝（pruning）是两种互补的加速手段：缓存加速效率高但影响保真度，剪枝相反。现有方法用固定的启发式策略组合两者，无法捕捉模型对加速操作的细粒度敏感度变化。 方法原理 离线敏感度建模：构建跨时间步、层、模块的敏感度误差模型，量化每个计算单元对缓存/剪枝操作的敏感程度 动态规划优化缓存间隔：以敏感度误差为代价函数，用 DP 求解最优缓存时间点 自适应剪枝：在缓存复用阶段，根据 token 敏感度动态决定剪枝时机和比例 核心创新 敏感度误差建模：不是简单地均匀缓存/剪枝，而是"在最不敏感处缓存，在最不敏感的 token 处剪枝" DP 最优化：缓存间隔不再是超参数，而是通过动态规划自动求解 实验结果 在 DiT-XL/2、PixArt-α、OpenSora 上实现 SOTA 生成保真度 在可控加速比下保真度显著优于 PAB、∆-DiT 等基线 技术脉络 FasterCache (2024) → ∆-DiT (2024) → PAB → SODA (2026.3) 批判性点评 优势：缓存+剪枝的统一框架，敏感度建模理论扎实 局限：离线敏感度分析需要额外推理开销；DP 只优化缓存间隔，未联合优化剪枝策略；仅测试了较小的模型（DiT-XL/2），未在 Wan/HunyuanVideo 等大模型上验证 创新性评分：3.5/5 论文 4：VMonarch — Monarch 矩阵结构化注意力 标题：VMonarch: Efficient Video Diffusion Transformers with Structured Attention 作者：Cheng Liang, Haoxian Chen, Liang Hou 等 (南京大学 + 腾讯) 日期：2026年1月29日 arXiv：2601.22275 关键词：Monarch矩阵 结构化稀疏 交替最小化 FlashAttention 在线熵 5x加速 研究动机 视频 DiT 的注意力模式天然具有高度稀疏的时空结构，但现有稀疏方法（Top-K、局部窗口）要么不灵活，要么丢失全局信息。能否找到一种数学上优雅的方式来表示这些稀疏模式？ 方法原理 VMonarch 将视频 DiT 的稀疏注意力模式建模为 Monarch 矩阵 —— 一类具有灵活稀疏性的结构化矩阵。 时空 Monarch 分解：将全注意力矩阵分解为帧内（空间）和帧间（时间）两组 Monarch 因子，分别捕捉空间和时间相关性 交替最小化：通过交替优化两组因子来逼近原始全注意力 重计算策略：解决交替最小化不稳定导致的伪影问题 在线熵算法：融入 FlashAttention 的在线熵计算，支持长序列高效更新 核心创新 Monarch 矩阵在视频 DiT 中的首次应用：优雅地统一了稀疏和结构化的优势 在线熵 + FlashAttention 融合：使得 Monarch 矩阵更新在长序列上也可行 实验结果 注意力 FLOPs 减少 17.5 倍 注意力计算加速 5 倍以上 在 VBench 上轻量微调后质量与全注意力相当 90% 稀疏度下超越所有 SOTA 稀疏注意力方法 技术脉络 Monarch Mixer (2023) → Monarch in LLM → VMonarch (视频 DiT 首次应用) 批判性点评 优势：数学上最优雅的方案；17.5x FLOPs 减少是本周最极端的数字；与 FlashAttention 兼容 局限：交替最小化的收敛性依赖初始化；需要轻量微调（非完全免训练）；实际 wall-clock 加速（5x）远小于理论 FLOPs 减少（17.5x），说明实现上有瓶颈 创新性评分：4.5/5 — 本周最具理论深度的工作 论文 5：SLA — 稀疏-线性注意力融合 标题：SLA: Beyond Sparsity in Diffusion Transformers via Fine-Tunable Sparse-Linear Attention 作者：Jintao Zhang 等 (清华 + Berkeley) 日期：2025年9月28日（ICLR 2026 Oral） arXiv：2509.24006 关键词：稀疏注意力 线性注意力 融合 自定义GPU kernel 95%计算减少 ICLR 2026 研究动机 注意力权重可以分为两部分：少量大权重（高秩）和大量小权重（低秩）。这天然暗示：对大权重用稀疏注意力（O(N²) 但只算少量），对小权重用线性注意力（O(N)）。 方法原理 三级分类：将注意力权重分为 Critical（O(N²) 精确计算）、Marginal（O(N) 线性注意力）、Negligible（跳过） 融合 GPU kernel：将稀疏和线性注意力的计算融合到单个 GPU kernel 中，支持前向和反向传播 轻量微调：仅需少量微调步就能适配 核心创新 稀疏+线性的系统性融合：不是简单的 fallback，而是基于权重分布的最优分配 自定义 GPU kernel：工程实现极其扎实，直接转化为实际加速 实验结果 注意力计算减少 95%（20 倍） 注意力加速 13.7 倍 端到端加速 2.2 倍（Wan 2.1-1.3B） 生成质量无损 技术脉络 稀疏注意力 + 线性注意力两条独立技术路线 → SLA 首次统一融合（ICLR 2026 Oral） 批判性点评 优势：ICLR 2026 Oral，学术认可度最高；2.2x E2E 加速是免训练之外的最佳实际数字；自定义 kernel 可直接落地 局限：需要微调（虽然很轻量）；目前只在 1.3B 模型上测试，14B 模型的效果未知；kernel 需要针对不同硬件调优 创新性评分：4.5/5 论文 6：SALAD — 高稀疏度线性注意力微调 标题：SALAD: Achieve High-Sparsity Attention via Efficient Linear Attention Tuning for Video Diffusion Transformer 作者：Tongcheng Fang 等 (清华 + 腾讯) 日期：2026年1月23日 arXiv：2601.16515 关键词：线性注意力 门控机制 高稀疏度 轻量微调 2000样本 研究动机 免训练稀疏注意力受限于有限的稀疏度（通常 50-70%），而训练型方法需要大量数据和计算。能否用极轻量的微调达到极高稀疏度？ 方法原理 双分支并行：在稀疏注意力旁边添加一个轻量线性注意力分支 输入依赖门控：用门控机制动态平衡两个分支的贡献 极轻量微调：仅需 2000 个视频样本和 1600 步训练 实验结果 90% 稀疏度，1.72x 推理加速 生成质量与全注意力基线相当 批判性点评 思路与 SLA 类似但更轻量；微调效率极高（2000 样本）；但 1.72x 加速低于 SLA 的 2.2x 创新性评分：3.5/5 论文 7：FastLightGen — 步数 + 参数同时压缩 标题：FastLightGen: Fast and Light Video Generation with Fewer Steps and Parameters 作者：Shitong Shao, Yufei Gu, Zeke Xie 日期：2026年3月2日 arXiv：2603.01685 关键词：蒸馏 剪枝 步数压缩 参数压缩 HunyuanVideo WanX 研究动机 以往的加速研究要么减少采样步数（蒸馏），要么减少模型参数（剪枝），但从未同时压缩两者。 方法原理 FastLightGen 的核心：构建一个"最优教师模型"，在协同框架中同时蒸馏步数和参数。 协同蒸馏框架：同时优化步数减少和参数剪枝 最优教师构建：教师模型本身经过优化，以最大化学生模型的性能 实验结果 4 步采样 + 30% 参数剪枝 = 最佳视觉质量（在约束推理预算下） 在 HunyuanVideo-ATI2V 和 WanX-TI2V 上优于所有竞争方法 批判性点评 首次探索步数+参数的联合压缩，填补了研究空白 但 30% 剪枝比较保守；缺少与纯蒸馏方法的详细对比 创新性评分：3.5/5 论文 8：Diagonal Distillation — 对角蒸馏实现流式视频生成 标题：Streaming Autoregressive Video Generation via Diagonal Distillation 作者：Jinxiu Liu 等 (HKUST, Ming-Hsuan Yang) 日期：2026年3月10日 arXiv：2603.09488 关键词：自回归 蒸馏 流式生成 光流建模 277x加速 31 FPS 研究动机 扩散蒸馏将多步模型压缩为少步变体，但现有方法主要针对图像设计，忽略了视频的时间依赖性，导致运动不连贯和长序列误差累积。 方法原理 对角蒸馏：不同于传统的逐 chunk 独立蒸馏，Diagonal Distillation 沿"视频 chunk × 去噪步"的对角线方向进行蒸馏 非对称生成策略：前面的 chunk 用更多步、后面的 chunk 用更少步。后面的 chunk 可以继承前面已充分处理的外观信息 隐式光流建模：在严格步数约束下保持运动质量 核心创新 对角蒸馏：沿时间-步数对角线操作，充分利用时间上下文 非对称步数分配：打破"每个 chunk 步数相同"的假设 曝光偏差缓解：将训练时的噪声条件与推理时对齐 实验结果 5 秒视频 2.61 秒生成（31 FPS） 相比原始模型 277.3 倍加速 运动连贯性和长序列质量显著优于图像蒸馏方法 批判性点评 优势：277x 是本周最震撼的加速数字；流式生成对实时应用极其重要 局限：目前仅适用于自回归视频模型；生成质量与原始多步模型仍有差距；FPS 数字的分辨率条件未详细说明 创新性评分：4/5 论文 9：FrameDiT — 帧级矩阵注意力 标题：FrameDiT: Diffusion Transformer with Frame-Level Matrix Attention for Efficient Video Generation 作者：Minh Khoa Le 等 日期：2026年3月10日 arXiv：2603.09721 关键词：帧级注意力 矩阵注意力 时空结构 Local Factorized 研究动机 现有方法面临 Full 3D Attention（强但贵）vs Local Factorized Attention（快但丢失全局信息）的两难。 方法原理 Matrix Attention：将整帧作为矩阵处理，通过矩阵原生操作生成 Q/K/V 帧间注意力：在帧级别而非 token 级别做跨帧注意力，保持全局时空结构 FrameDiT-H：混合 Matrix Attention + Local Factorized Attention，同时捕捉大运动和小运动 实验结果 多个视频生成 benchmark 上达到 SOTA 效率与 Local Factorized Attention 相当 批判性点评 帧级注意力的粒度介于 Full 3D 和 Local Factorized 之间，是一个有趣的中间地带 但"矩阵注意力"的具体实现细节（矩阵原生操作是什么？）缺乏清晰的数学定义 创新性评分：3/5 三、横向对比分析 3.1 方法分类体系 本周的 9 篇论文可以按 "是否需要训练" 和 "加速策略" 两个维度分类： 免训练 轻量微调 训练/蒸馏 ┌─────────┐ ┌─────────┐ ┌─────────┐ 稀疏注意力 │CalibAtt │ │ SALAD │ │ SLA │ │SVG-EAR │ │VMonarch │ │ │ ├─────────┤ ├─────────┤ ├─────────┤ 缓存+剪枝 │ SODA │ │ │ │ │ ├─────────┤ ├─────────┤ ├─────────┤ 蒸馏+压缩 │ │ │ │ │FastLight│ │ │ │ │ │DiagDist │ ├─────────┤ ├─────────┤ ├─────────┤ 结构化注意力 │ │ │ │ │FrameDiT │ └─────────┘ └─────────┘ └─────────┘ 3.2 性能对比 方法 注意力加速 端到端加速 需要训练？ 测试模型 质量保持 CalibAtt - 1.58x 否 Wan 2.1 14B, Mochi ★★★★ SVG-EAR - 1.77-1.93x 否 Wan 2.2, HunyuanVideo ★★★★ SODA - 可控 否 DiT-XL, PixArt-α, OpenSora ★★★★★ VMonarch 5x - 轻量微调 VBench ★★★★ SALAD - 1.72x 2000样本 - ★★★★ SLA 13.7x 2.2x 少量微调 Wan 2.1 1.3B ★★★★★ FastLightGen - 显著 蒸馏 HunyuanVideo, WanX ★★★★ Diagonal Dist. - 277.3x 蒸馏 自回归模型 ★★★ FrameDiT ~FA级 ~FA级 训练 多个benchmark ★★★★ 3.3 技术路线演进 本周的论文清晰地展现了四条技术路线的演进： 路线 A：免训练稀疏注意力 核心思想：发现并利用注意力的天然稀疏性 演进：Token-level Top-K → Block-level 静态模式 (CalibAtt) → 误差感知动态路由 (SVG-EAR) 加速上限：~2x（受限于稀疏度无法无限提高） 路线 B：稀疏 + 线性注意力融合 核心思想：对不同重要性的注意力权重使用不同计算策略 演进：纯稀疏 / 纯线性 → 并行双分支 (SALAD) → 融合 kernel (SLA) → Monarch 结构化 (VMonarch) 加速上限：~2-5x（取决于 kernel 效率） 路线 C：缓存 + 剪枝 核心思想：利用扩散过程中相邻时间步的特征相似性 演进：均匀缓存 → 启发式组合 → 敏感度导向 DP 优化 (SODA) 加速上限：~2-3x（缓存复用比例有限） 路线 D：蒸馏 + 压缩 核心思想：用小模型/少步数逼近大模型/多步数 演进：步数蒸馏 → 参数剪枝 → 联合压缩 (FastLightGen) → 对角蒸馏 (Diagonal Distillation) 加速上限：100x+（但质量损失更大） 3.4 关键洞察与趋势 免训练方法的天花板在 ~2x：CalibAtt (1.58x) 和 SVG-EAR (1.93x) 代表了免训练稀疏注意力的当前上限。突破需要引入轻量训练。 稀疏 + 线性融合是最佳平衡点：SLA 通过自定义 kernel 实现 2.2x E2E 加速且质量无损，是目前注意力加速的最优解。ICLR 2026 Oral 的认可也说明了这一点。 蒸馏方法的加速比远超注意力优化：Diagonal Distillation 的 277x 说明，如果能接受一定质量损失，蒸馏是最强力的加速手段。但注意力优化的优势是"质量无损"。 多种方法可叠加：注意力优化 + 蒸馏可以叠加使用。CalibAtt 已在蒸馏模型上验证有效。理论上 SLA + 步数蒸馏可能实现 5-10x 无损加速。 Wan 和 HunyuanVideo 成为标准测试平台：本周几乎所有论文都在这两个模型上测试，说明它们已成为视频生成的事实标准。 从算法到系统的全栈优化：SODA 的序列并行推理提醒我们，纯算法优化之外，系统级优化（多 GPU 并行、算子融合等）同样重要。 四、总结与展望 本周最值得关注的 3 篇 SLA (ICLR 2026 Oral)：稀疏-线性融合的里程碑工作，自定义 kernel 的工程深度令人印象深刻 SVG-EAR：误差感知路由的洞察非常深刻，免训练方法的新标杆 VMonarch：Monarch 矩阵的引入为结构化注意力开辟了全新方向 未来研究方向预判 注意力优化 + 蒸馏的联合框架：将 SLA/SVG-EAR 与 FastLightGen/Diagonal Distillation 结合 更大规模模型验证：SLA 仅在 1.3B 上测试，14B+ 模型上的表现待验证 长视频生成的特化优化：随着视频长度增长到分钟级，注意力优化的重要性进一步凸显 硬件协同设计：自定义 kernel（SLA）和结构化矩阵（VMonarch）需要与硬件特性深度适配 人工智能炼丹师 整理 | 2026-03-14

多模态预训练模型之CogVLM CogVLM：VISUAL EXPERT FOR LARGE LANGUAGE MODELS 被多个文生图模型广泛使用，包括SD3、可图用作Caption模型 图像 & 文本分别建模的思想在SD3中的MMDIT中也被应用到 1. Motivation 浅层对齐的缺陷：例如BLIP2的QFormer或者LLAVA的MLP，作者认为是导致幻觉的一个重要原因 浅层对齐 + 图文联合训练（LLM+Vision+adapter）会损害NLP的能力： Qwen-VL 等模型，会导致文本理解能力的灾难性遗忘【只要训练数据配比得当，就能避免这个问题？】 2. 主要贡献 模型结构： 引入视觉专家(QKV matrix+ FFN): 冻结LLM，100%保留文本对话能力 视觉位置编码：图像特征共享一个位置编码，对于高分辨率理解有帮助。 3. 一些细节 3.1 消融实验(caption 任务 + VQA任务) 模型结构 & 微调的部分：【视觉专家 + MLP adapater】比其他更好，（为什么没有微调视觉+LLM+adapter全量实验，在下游任务上全量FT应该可以更好），该部分影响最大 采用LLM的权重来初始化Visual Expert能够提升性能（应该能加速训练，和LLM expert融合会更容易） 视觉部分，单向注意 or 双向注意的影响，使用单向注意反而更好 视觉部分的自回归监督，没有提升 EMA可以多数任务上均能带来提升 3.3 训练数据细节 3.3.1 预训练数据 LAION-2B + COYO-700M-> 1.5B Visual grouding: 40M(GLIP v2预测的bounding box作为GT)，从LAION-115M中过滤出来的40M（75%的图片包含至少两个目标框） 3.3.2 SFT数据(50w) LLaVA-Instruct (corrected) LRV-Instruction LLaVAR in-house data 3.4 训练细节 在SFT阶段，对LLM进行训练，学习率为base其他参数的10%，VIT始终保持固定

DiT文生图系列之Pixart-∑ PixArt-Σ: Weak-to-Strong Training of Diffusion Transformer for 4K Text-to-Image Generation Motivation 高分辩率图像生成： Transformer架构中序列越长，计算复杂度是O(n^2)，越长的分辨率，对于计算推理时间和训练成本来说就越高。如何实现更好更快的生成是一大难点。 高质量的图文对数据：爬虫图文对在图片质量和文本质量上都存在问题，不够美观，图文相关性弱。利用MLLM进行recaption通常会出现幻觉问题，提升MLLM的精度对于图文一致性非常重要。 从弱到强的训练策略：对于低分辨率训练模型、vae模型切换，从已经训练好的base模型，继承之前的训练权重，如何更好的迁移到新模型非常重要，节约训练成本。 主要贡献 高分辩率图像生成 根据self-attention的计算原理，KV矩阵的长度可以比原序列更短。注意力维度由NxN变成Nx(N/(RxR)): $QK^{T}$的维度变换(NC) (CxN/(RxR))-> N x (N/(RxR))。这样可以实现计算的压缩，并且相邻token存在语义的相似性，这样相当于引入了空间的局部先验。这里压缩的函数$f_{compress}$可以是global average pooling或者是stride为R的卷积层（可以用avg的kernel初始化加速训练）。 高质量的图文对数据 PixArt-Σ采用更好的ShareCaptioner替代原始的LLava模型，幻觉率更低，训练时采用60%概率选择，让模型能够适用caption文本和更多样范式的其他文本。收集了8百万4K分辨率的真实摄影图片。 从弱到强的训练策略: VAE: 从SD1.5的VAE替换到SDXL的VAE，2k训练steps 512分辨率提升到1024分辨率：结合位置编码插值(PE Interp)，可以实现更快的尺度适应 KV压缩并采用avg的kernel权重初始化可以加速训练 继承原有的权重训练，PixArt-Σ具有非常高的训练效率 一些思考 局部窗口进行kv的压缩对于用Transformer架构的生成模型来说都是适用的，也可以用于自回归范式的图像生成模型

基于LLM做多模态生成系列文章-Make-A-Scene 基于LLM做多模态生成系列文章-Make-A-Scene Make a Scene (Meta-2022): Make-A-Scene: Scene-Based Text-to-Image Generation with Human Priors Motivation 提升生成的可控性：Make-A-Scene同期工作主要以文生图为主，生成结果的可控性低。（ControlNet之前的工作） 人类感知优化：人类对于人脸/人体显著物体的畸形容忍程度较低，生成图片需要增强这些方面的能力 主要贡献 1. 可控生成：实现除文本控制外，增加图片分割图的可控生成，结构一致性 2. 压缩优化：优化图片tokenizer，增强对显著物体(人脸/人体等)的重建效果 3. 推理优化：提出针对自回归图片生成模型的CFG方案【可以舍弃CLIP rerank的环节】,极大提升FID和图文对齐 一些思考 分割图与类别相关，推理过程中有OOD的类别，有一定的限制性 提高对显著物体的重建效果，通过加入“感知Loss”实现，Face Embedding or Vgg Embedding进行约束 CFG对于提升图文一致性效果非常显著。 其中系数经验值取3-5

基于LLM做多模态生成系列文章-Parti和Dalle 基于LLM做多模态生成系列文章-Parti和Dalle Parti: Scaling Autoregressive Models for Content-Rich Text-to-Image Generation Dalle: Zero-Shot Text-to-Image Generation 基于LLM的图片生成预期达成目标：复杂指令生成(多主体，属性绑定、空间位置关系等)、世界性知识 模型 模型结构图 图片离散化方式 自回归网络 参数量 生成图片大小 Dalle d-VAE Decoder-only 12B 256x256 Parti vit-VQGAN Encoder-Decoder 350M、750M、3B、20B 1024 = 256 + 4倍SR 参考链接 -知乎 多模态预训练：DALL-E

基于LLM做多模态生成系列文章-VideoPoet VideoPoet: A Large Language Model for Zero-Shot Video Generation Motivation 用扩散模型还是LLM做视觉生成？：LLM相比于Diffusion的优势，基设好，模型架构统一，多任务友好。但是当前主流的视觉生成还是以扩散模型为主，主要的原因在于训练一个基础模型的成本很高，以SD开源模型为代表。基于开源SD进行优化实现成本小很多，通过各种adapter在下游任务做适配。扩散模型对于任意多模态生成不利于统一（比如，如何用扩散模型做QA问答？），LLM会更友好。 主要贡献 多模态生成统一架构，实现图片、视频、音频的自回归生成，其中文本采用T5，视觉采用Magvit-v2，音频采用SoundStream Encoder进行离散化 级连的两阶段超分（两个2x超分）：超分辨率受限于token长度，采用局部窗口的attention方式。采用将水平、垂直、时间三个维度解耦。 一些细节 模型参数量：8B模型 语言模型选择：UL2: Unifying Language Learning Paradigms 图文数据量：1B 视频数据量：270M（其中100M带有文字描述） tokeinzer词表：视觉采用Magvit-v2【26w词表】、音频：SoundStream Encoder【4096词表】 一些思考 关于文本编码：只用64个Token进行文字编码，并且使用预训练的文本编码器（T5-XL）。虽然提高了效率，但是受限预训练模型，并且转换到中文场景也会有限制（中文语义编码不准确）。端到端训练时，能够训练文本编码，如果有足够的数据量，理论上应该是更适配的。另外，该设计方案不考虑文本生成，不太符合全模态输出的设计。 视觉Tokenizer：Tokenizer在整个框架中非常重要，提升压缩率，能用更少的token来表示，以提升自回归的效率。Tokenizer应该是分层级的，有些场景对细节要求很高，则需要非常低损失的压缩，如小人脸、文字。对于风景，需要压缩损失可以更大些，提升自回归的效率。 预训练任务+下游多任务Finetune： 预训练任务越多越丰富，在使用时zero-shot性能和需要的下游数据量越少。具体需要哪些预训练任务，需要仔细考量。

Imagen 2(Google DeepMind) Imagen2 概览 参考链接 https://deepmind.google/technologies/imagen-2/