BadAction：通过动作引导触发器攻击交互式视频生成
论文提出 BadAction，用预定义动作模式作为后门触发器，使交互式视频生成模型在触发后生成不再响应后续动作的冻结未来帧，同时保持对正常动作序列的行为。实验显示，动作单模态触发器的平均攻击成功率为 91.0%，多模态触发器为 80.4%；该方法还成功绕过现有后门检测方法，暴露交互式视频生成流程中的安全缺口。
推荐理由：论文把交互式视频生成的攻击面具体化为动作序列触发器，并给出攻防实验，便于评估模型在可控生成场景中的安全边界。
一致性与可控性
全部主题角色、商品、场景、镜头和音频的保持与精确修改。
65条精选
最新精选
第 21–40 条 · 共 65 条arXiv · 多模态、视频与世界模型精选AI 评分7979 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。
可灵 · 模型与创作实践精选AI 评分6262 2026 年 5 款 UGC 视频生成 AI 工具对比与 Kling AI 实践指南
可灵发布一篇 2026 年 UGC 视频生成工具指南，对比 Kling AI、Higgsfield、Dreamina、HeyGen 和 CapCut 在场景生成、数字人呈现与视频组装等工作流中的适用方向，强调这不是基准排名。
推荐理由：文章按产品场景、脚本呈现与后期组装拆分工具差异，并给出从参考素材到审片修复的 Kling AI UGC 工作流，便于评估商品保真与制作成本。
可灵 · 模型与创作实践精选AI 评分7474 Kling 4.0 如何用 Multiple Keyframes 控制 30 秒 AI 视频
Kling 4.0 通过 Multiple Keyframes 在视频时间线上设置多个视觉节点，单次生成最多支持 10 张关键帧图像，原生视频时长为 3 到 30 秒。官方指南还介绍了如何结合 Omni Reference、时间线提示词和一致性参考素材，控制商品广告或短叙事中的角色、产品、场景与镜头变化。
推荐理由：这篇指南把长视频控制拆成关键时间点、参考素材与过渡提示词，适合复用到商品广告和结构化短叙事的制作流程中。
可灵 · 模型与创作实践精选AI 评分7171 可灵 AI 四步将静态图片制作成短视频
可灵介绍了使用 AI 将静态图片制作成短视频的四步流程，包括上传图片、描述运动、设置时长并生成，以及检查和优化结果。教程以 Kling VIDEO 3.0 Omni 为例，支持使用 Start Frame、End Frame 和 Element 参考，单次生成最长 15 秒，并提供多镜头、原生音频和常见问题修复方法。
推荐理由：文章将图片转视频拆成选择运动对象、编写提示词、设置时长和复检四步，并给出起始帧与元素参考的使用方法。
可灵 · 模型与创作实践精选AI 评分8181 Kling 4.0 与 3.0 有哪些不同
Kling 4.0将于2026年10月正式发布，原生视频生成时长从3–15秒扩展至3–30秒，并支持最多10个关键帧。新版本还支持最多15个组合参考资产、10-bit HDR、双声道立体声和定向多模态视频编辑。Kling 4.0 Flash已于9月28日向有限用户开放提前体验。
推荐理由：这篇对比把时长、关键帧、参考资产和视频编辑放在同一框架中，便于按项目复杂度选择 Kling 3.0 或 4.0。
可灵 · 模型与创作实践精选AI 评分8383 Kling 4.0 AI 视频创作完整指南：多模态参考与30秒生成
Kling 4.0完整模型计划于2026年10月发布，新创作体验自9月28日起向有限用户逐步开放早期访问。模型支持3至30秒原生视频生成、最多10个关键帧，以及最多15个组合参考素材，并提升运动稳定性、角色与商品一致性、音画同步和视频编辑能力。
推荐理由：文章梳理了从多模态参考、关键帧到时间线审片的完整链路，可用于规划商品广告和短叙事视频的生成与修订流程。
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 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。
可灵 · 模型与创作实践精选AI 评分6363 Kling AI 如何通过提示词让 AI 图片更真实
Kling AI 介绍了通过光线、材质、比例、透视和镜头感等具体视觉细节提升 AI 图片真实感的方法。文章给出“主体、场景、光线、构图、材质细节、相机感、关键约束”的提示词结构，并说明 Kling IMAGE 3.0 支持文本生成、参考图生成和自然语言图像编辑。实践中应先定位最明显的不自然之处，再逐项调整并检查皮肤纹理、接触阴影、材质反光和商品轮廓。
推荐理由：文章将光线、材质、透视和镜头感拆成可操作的提示词要素，并结合 Kling IMAGE 3.0 的参考图与局部修复流程，适合用于提升图像真实感和商品细节控制。
可灵 · 模型与创作实践精选AI 评分6565 当前 AI 视频生成技术的 6 项局限与应对方法：Kling VIDEO 3.0 系列如何提升创作控制
Kling 发布的创作实践文章梳理了当前 AI 视频生成的 6 项局限，并给出参考图、分镜、分步提示和后期处理等应对方法。文章指出，角色与商品跨镜头不一致、运动和物理表现异常、长视频连贯性不足、文字细节失真及提示词控制有限，仍是常见问题。
推荐理由：文章把一致性、物理运动、长视频、文字细节和提示词控制等问题对应到具体工作流，便于判断何时使用参考图、分镜或后期处理。
Luma · 创作产品与实践精选AI 评分7979 Sora 关停后，创意团队如何评估视频工作流替代方案
OpenAI 已于 2026 年 4 月 26 日关闭 Sora 网页和应用，API 将于 2026 年 9 月 24 日停止，用户需在期限前导出数据。文章建议团队从工作流整合、关键帧控制、精准修改和专业导出格式等方面评估替代方案，并介绍 Luma Ray 3.2 的 16-keyframe 控制以及 HDR、EXR 导出能力。
推荐理由：文章以 Sora 关停为背景，提醒创意团队从数据迁移、版本修订和最终交付等完整流程评估视频工具。
ComfyUI · 工作流与实践精选AI 评分7878 Trellis.2 与 Pixal3D 原生接入 ComfyUI
ComfyUI 将 Trellis.2 和 Pixal3D 两个 3D 生成模型做进核心节点，无需自定义节点、编译 CUDA 扩展或降级 PyTorch，并移除了原流程中限制商用的 nvdiffrast 与 nvdiffrec 依赖。
推荐理由：ComfyUI 原生接入两个开源 3D 生成模型并重建网格后处理与 PBR 贴图链路，可据此判断本地 3D 资产生产流程的可行边界。
ComfyUI · 工作流与实践精选AI 评分8080 ComfyUI 首日支持 LTX-2.5 开放视频模型
ComfyUI 在 LTX-2.5 发布当天提供支持，该模型是 LTX 最新开放视频模型，权重可下载并在本地 GPU 运行，也可通过 Partner Nodes 使用托管版本。
推荐理由：LTX-2.5 在 ComfyUI 的 Day-0 支持给出了开放权重与托管两条路径，可据此判断本地视频生成的可控性与部署成本。
Black Forest Labs · 图像与视频精选AI 评分8080 Black Forest Labs 发布 FLUX 3 Video，支持文生视频与图生视频
Black Forest Labs 通过 BFL API 和部分合作方开放 FLUX 3 Video 生成能力的初始版本，可生成最长 20 秒的 HD 视频并同步生成原生音频，Full HD 通过超分输出。
推荐理由：官方给出 FLUX 3 Video 的生成能力、分辨率与草稿模式，可据此判断多模态视频生成在创作流程中的可用边界。
Black Forest Labs · 图像与视频精选AI 评分7373 Envato 如何基于 FLUX 构建创意 AI 引擎
Envato 基于 FLUX 将参考图变体、纯图像生成和多参考图像编辑整合进统一创作体验。FLUX 已贡献平台约 25% 的图像生成量，累计生成超过 51 million 张图片；其中 Stock riffing 可在 8 秒内生成 5 个变体。Black Forest Labs 称，FLUX.2 在写实、电影感和产品图场景中较可比模型高约 10%，下载率高于平台平均值 16%。
推荐理由：案例展示了创意平台如何按任务路由模型，将参考图变体、纯文生图和多参考编辑整合进统一工作流，并以延迟与生成量衡量落地效果。
Black Forest Labs · 图像与视频精选AI 评分8282 FLUX VTO 公开发布，面向大规模商品目录的虚拟试衣模型
FLUX VTO 公开发布，主打面向大规模商品目录的虚拟试衣，单次生成耗时低于 4 秒。模型可保留人物身份以及服装的 logo、印花、缝线和五金细节，支持一次应用最多四件衣物并进行叠穿。精准的身体和服装尺码仍在演进，输出更适合用于视觉造型参考；默认政策不支持泳装和内衣。
推荐理由：原文同时给出速度、商品细节保真和多件叠穿能力，可帮助评估虚拟试衣在商品目录与交互购物中的落地条件。
ElevenLabs · 音频创作精选AI 评分7878 ElevenLabs 发布 Music v2 音乐生成模型
ElevenLabs 发布 Music v2 音乐生成模型，提升人声、器乐、编曲和多语言支持，并支持更复杂的歌曲结构。模型支持按片段局部重绘、分段构建完整歌曲，以及在同一首歌中处理多种曲风、快速说唱和非音乐音效。
推荐理由：Music v2 将局部重绘、分段作曲和多语言演唱整合到音乐生成流程，便于比较创作者、品牌与开发者的不同接入方式。