UACD：面向少步视频生成的不确定性感知一致性蒸馏
Lingyu Liu 提出不确定性感知一致性蒸馏方法 UACD，通过局部不确定性估计降低高难度时空区域的一致性监督权重。结合特征空间对抗训练、语义对齐和 LoRA 适配后，50步 Wan 模型实现了4步视频生成，在 VBench 2.0 上取得 0.556 mean score，并在用户研究中获得更高偏好。
#论文/研究
#论文/研究
今日 1 条arXiv · 多模态、视频与世界模型AI 评分7575 arXiv · 多模态、视频与世界模型精选AI 评分8686 Asking the World 提出智能体世界建模与探测方法，提升视频物理推理
Shenxiang Zeng 的论文提出 Asking the World（ATW），通过世界建模与世界探测两个自适应阶段，从视频构建并干预可执行的物理世界。基于 Gemini-3-Flash，ATW 在 CLEVRER 上达到 80.82% 问题级准确率，在 ContPhy 上达到 70.56%，并在三个真实场景中达到 71.67%。
推荐理由：论文将视频中的物理推理转化为可执行世界的建模与探测，并用多组基准展示了这种验证式流程相对直接 VLM 推理的提升。
arXiv · 多模态、视频与世界模型精选AI 评分8080 MindWorldBench：评估图生视频中的心理状态到行为推理
Ruiqi Li 等人提出 MindWorldBench，评估图生视频模型根据心理状态生成行为的能力。该基准使用 Zero-Action Prompting 和包含 744 个提示的反事实设计，并对 11 个模型进行评测。结果显示，模型虽然具备视觉保真度和物理推理能力，但难以让行为与潜在心理状态一致，常出现偏向客观世界状态而非人的主观信念的 Omniscient Bias。
推荐理由：论文用 744 个反事实提示评估图生视频的心理状态到行为推理，并揭示模型偏向客观世界状态的失败模式。
arXiv · 多模态、视频与世界模型AI 评分3838 线性循环记忆足以蒸馏用于机器人空气曲棍球的世界模型策略
一项机器人空气曲棍球防守研究表明，采用64维状态的纯线性循环模型（k=0）蒸馏DreamerV3教师策略后，在暂时失去冰球追踪时的表现可匹配GRU基线和教师策略。五个匹配随机种子的实验显示，增加非线性创新秩未带来测得收益；该模型循环参数更少、计算量更低。结论仅限于文中设定的模拟任务、教师、状态维度和 blackout horizon。
arXiv · 多模态、视频与世界模型AI 评分6666 TPAE：通过 Token 级视觉落地优势估计强化多模态推理
论文提出 Token 级感知落地优势估计（TPAE），利用 token 的视觉依赖与预测熵，为多模态推理生成细粒度强化学习监督信号。分析显示，正确推理链在视觉落地增强时熵下降更明显，关键 token 也是正确推理链联合分布中的统计异常点。TPAE 在七个基准上持续优于强基线，并带来更稳定、高效的优化。
arXiv · 多模态、视频与世界模型AI 评分3131 LocoWM：世界模型引导的残差适应实现高精度运动控制
LocoWM提出世界模型引导的预主动残差适应框架，提升机器人高精度运动控制能力。基础策略负责跟随运动指令，动作条件世界模型根据本体感知历史预测未来物理状态，残差适配器据此生成动作修正。地形调平、加速度补偿和推搡恢复实验显示，LocoWM相比端到端和反应式残差基线具有更高控制精度与抗扰性。
arXiv · 多模态、视频与世界模型精选AI 评分7979 MEND：无标签检测、定位与校正世界模型中的潜在幻觉
论文提出 MEND，用一个基于真实状态转移训练的条件 score network，在没有错误标签的情况下检测、定位并尝试校正冻结世界模型中的潜在幻觉。在两个导航环境中，MEND 的幻觉检测 AUROC 最高达 0.80，逐 token 定位 AUPRC 最高达 0.87，且不使用动作信息。推理时校正可降低单步潜在误差并改善预测，但部分误差位于数据流形切向方向，论文因此重点讨论检测与定位。
推荐理由：论文把世界模型的潜在幻觉拆成检测、定位和推理时校正三个可评估环节，并给出无需错误标签的指标结果，适合参考相关鲁棒性研究设计。
arXiv · 多模态、视频与世界模型精选AI 评分7676 PRISM通过反事实视频生成扩展人形机器人移动操作训练
PRISM提出一个真实到仿真再到真实框架，用少量真实视频生成大规模多样的人体与物体交互训练数据。研究通过视频到视频生成数百条反事实视频，再重建并调整人和物体的运动轨迹，训练出无需真实世界微调的策略。搭载该策略的人形机器人仅使用机载深度观测，就能在不同物体实例、尺寸和初始配置下完成箱子、桶、箱体和球的拾取、搬运与放下。
推荐理由：PRISM展示了如何用少量真实交互视频生成反事实数据，并通过真实到仿真再到真实流程训练人形机器人的移动操作策略。
arXiv · 多模态、视频与世界模型精选AI 评分8282 LongLive-Plug 提出一次性蒸馏框架，支持视频生成模型即插即用复用
论文提出 LongLive-Plug，一种将蒸馏能力学习为基础模型 LoRA 的一次性框架，可免训练即插即用于兼容的下游视频模型。它覆盖单次 CFG、少步采样和长上下文错误校正，并在三类骨干网络、54 个下游模型和八类任务上进行了验证。
推荐理由：论文给出把单次 CFG、少步采样和长上下文纠错封装为可复用 LoRA 的方案，并以 54 个下游模型展示跨任务免训练部署路径。
arXiv · 多模态、视频与世界模型精选AI 评分8282 FracGen 论文提出受物理信号控制的断裂视频生成模型
FracGen 论文提出一种从单张完整物体图像生成可控断裂视频的模型，并通过物理信号建模撕裂与形变过程。作者构建 FracSim 生成带有密集像素对齐物理场的断裂视频数据，用联合预测和物理约束损失训练模型。实验显示，FracGen 在物理保真度和视觉保真度上均优于现有视频生成基线，并可控制撕裂位置、裂纹传播速度及失效前形变量。
推荐理由：论文将断裂模拟产生的物理场用于视频生成训练与约束，为可控物理动态建模提供了具体技术路径。
arXiv · 多模态、视频与世界模型精选AI 评分7777 LIFT：通过在策略自蒸馏实现大视点变化下的未来布局视频生成
研究团队提出 LIFT 图像到视频生成框架，用最后一帧布局控制未来视图中应出现的内容及其位置。该方法通过在策略自蒸馏，将密集布局教师的控制能力迁移到最后一帧布局学生，并构建包含大视点变化、相机与时序一致布局标注的 LIFT-Vista 数据集；实验显示其视频质量、未来布局可控性和相机可控性优于其他方法。
推荐理由：论文把最后一帧布局引入大视点变化的视频生成，为未来画面内容与空间位置的联合控制提供了可复用思路。
arXiv · 多模态、视频与世界模型精选AI 评分8888 HelixWorld：实时交互式音视频世界模型
论文提出HelixWorld，使视觉场景与基于相机的空间立体声音在用户交互下共同演化。研究通过6-DoF相机轨迹和用户动作进行训练，并将模型蒸馏为低延迟流式模型，在单GPU上以24 FPS生成无漂移的音视频轨迹。论文还提出空间声学一致性与HelixBench，用于评估声音场是否跟随动态视点变化。
推荐理由：论文将空间立体声纳入实时世界模型，并以24 FPS单GPU交互和HelixBench展示音画协同建模与评测路径。
Hugging Face Blog精选AI 评分8080 Hugging Face 研究测量语音识别中的基准优化
Hugging Face 的最新研究提出三项测试，用于量化语音识别模型针对公开基准进行优化的程度，并评估了 11 个常用开源 ASR 模型。
推荐理由：研究把参考文本错误、静音数字和拼写切换转化为三项可量化测试，为语音模型选型和评测集设计提供了具体方法。
Hugging Face Blog精选AI 评分7979 Hugging Face 发布 Real World VoiceEQ 语音 AI 人类质量基准
Real World VoiceEQ 评估语音 AI 的人类交互质量，覆盖 40 多个专有和开源语音模型、15 多个维度及 60 多项指标。该基准基于超过 1 million 个人类评分，涵盖 ASR、TTS、S2S 和语音理解，结果显示不同模型在技术准确性、情绪理解、表达力与鲁棒性之间存在明显专长差异。
推荐理由：该基准将语音模型评测从 WER 和延迟扩展到情绪、身份与背景声等人类感知维度，可帮助定位真实对话中的听辨与回应短板。
Google DeepMind精选AI 评分6666 Google DeepMind 宣布 AI co-clinician 研究计划，探索临床监督下的医疗协作
Google DeepMind 宣布 AI co-clinician 研究计划，探索在医生临床监督下由 AI 智能体协助患者护理，并评估其面向医生和患者的能力。在98个真实感初级保健问题中，系统有97个案例未出现关键错误，并在开放式药物问答中超过其他前沿 AI 系统。实时音视频远程医疗模拟显示，AI co-clinician 在140项会诊能力中的68项达到或超过初级保健医生，但医生整体表现更好。
推荐理由：文章同时给出证据检索、药物问答和实时多模态会诊的评测设计，可用于理解医疗智能体的能力边界与临床安全架构。
ByteDance Seed · 视觉生成与编辑精选AI 评分8282 字节 Seed 发布 Seedream 3.0 文生图模型技术报告
字节跳动 Seed 团队发布 Seedream 3.0 技术报告，该原生高分辨率中英双语图像生成基础模型相比 2.0 在分辨率、结构准确性、小字生成与排版、美感等方面提升，可原生 2K 直出、1K 分辨率端到端约 3 秒出图，已在豆包、即梦全量开放。
推荐理由：技术报告披露了缺陷感知数据扩充、跨模态 RoPE 与推理蒸馏等做法，可借鉴到高分辨率文生图的数据与加速方案。