本文提出FilmGPT，一种基于自回归Transformer的电影剪辑模型。它将电影表示为离散视频标记和显式⟨CUT⟩标记的序列，通过滑动窗口注意力和音频条件约束进行训练。推理时采用素材约束解码算法，确保生成的镜头严格来自输入素材。在AVE数据集上，Acc@1达到53.9%，优于SOTA方法UQNet。用户研究显示，FilmGPT在连贯性和电影感上优于Transcript2Video和EditDuet。模型存在上下文长度限制，且无法直接处理L-cut/J-cut等音频主导技巧。
传统视频物体移除方法存在伪影，扩散方法虽真实但慢且依赖草稿。本文提出D2DF框架，通过特权一致性蒸馏(PPCD)和自引导快速植入(SGFP)，将多步扩散教师模型蒸馏为单步无草稿模型。实验显示D2DF-DF在RORD上PSNR达31.56，推理仅需1.05秒，比ROSE快40倍。注意：单步去噪在极端遮挡下仍有模糊，伪草稿视觉粗糙但潜在空间有效。
本文分析 Wan-Streamer v0.3 的核心创新：将视频重构为持久世界上下文与随时间变化的事件流。相比 v0.1/v0.2 针对单一交互任务训练的局限，v0.3 通过通用预训练学习世界动态，支持实时全双工音频视觉交互及开放词汇自由行为生成。实验显示模型侧响应延迟约 200 ms，总交互延迟约 550 ms。需注意预训练数据中的世界上下文摘要可能存在信息丢失，且行为生成依赖语言描述的准确性。
本文提出FoMoVLA框架，解决现有VLA模型缺乏显式世界动态预测的问题。通过联合优化未来特征前瞻和稀疏2D点追踪，并利用FCCA模块耦合两者，模型在LIBERO基准上达到98.8%平均成功率，在RoboCasa上优于基线9.1%。推理时无额外开销。需注意模型对固定视角训练数据的依赖及FCCA初始化的稳定性。
本文介绍MAGiSt3R，首个用于单目RGB视频的多代理前馈3D重建框架。针对现有NeRF/3DGS SLAM依赖每场景迭代优化导致速度慢，以及前馈3R模型缺乏全局优化易产生累积漂移的问题，MAGiSt3R通过MAGMA模块实现子图聚合，结合位姿图优化（PGO）减少漂移。实验显示，在ReplicaMultiagent和AriaMultiagent数据集上，其重建精度和轨迹跟踪（ATE RMSE）均优于SOTA前馈基线，推理速度约10 FPS。需注意，部分RGB-D SLAM基线使用RGB-D输入，对比时仅作为参考上限。
SceneBind提出了一种结合全局语义嵌入和对象中心语义-空间槽的通用模态场景表示方法。通过显式建模3D空间属性，解决了现有模型缺乏显式空间结构的问题。实验显示，SceneBind在跨模态场景检索（V↔T R@1: 65.3）和对象级空间检索（Spatial mAP: 48.0）上显著优于ImageBind和M2D-SigLIP2*。该方法依赖真实世界空间对齐的多模态数据，且对象槽数量需根据任务调整。
扩散世界模型因多步去噪导致推理缓慢，限制实时控制。DriftWorld利用漂移生成模型，通过单步前向传播实现30+ FPS视频生成。实验显示其在Push-T、Bridge-V2等基准上视觉质量优异，且通过GPC-RANK显著提升策略性能。注意：训练需较大显存，依赖预训练特征提取器。
本文分析VideoChat3，一种全开源的视频多模态大语言模型。针对现有模型泛化能力有限、计算效率低下及可复现性差的问题，VideoChat3提出I3D-ViT架构和自适应帧分辨率机制。实验显示其在MotionBench和TempCompass上取得全开源最佳成绩。需注意自适应分辨率依赖状态预测准确性，且长视频数据依赖LLM生成。
本文提出HDR框架，解决视频生成中逻辑一致性与低延迟流式生成的矛盾。通过树状分层潜在变量和SHAP稀疏注意力，实现从粗到细的去噪推理。实验显示，整体成功率从34.22提升至60.29，推理延迟仅为0.70s/latent，比双向扩散快54.2倍。
本文提出AnomExpert，针对产前超声多实例学习（MIL）中混合异构图像、缺乏平面语义的问题。方法通过可学习的Plane Prototype将无序图像组织为潜在解剖平面，并利用Disease-aware sparse selection机制为每种异常选择相关平面进行聚合。实验在多中心数据集上验证，Accuracy达86.9%，AUC 97.9%，显著优于AttentionMIL、TransMIL等基线。需注意依赖ViT骨干及超参数敏感性。