本文介绍ABot-World-0，一种基于动作条件的视频世界模型。针对现有世界模型在长时程一致性、控制耦合及部署效率上的瓶颈，研究提出WorldExplorer闭环数据系统、LongForcing长时程分布匹配机制，以及基于LightVAE、FP8/MXFP4量化和SageAttention2的全栈推理协同设计。在WorldRoamBench基准上，该模型在Strict Accuracy等指标上优于Genie 3等基线，并在单张RTX 5090上实现16 FPS实时交互。需注意，性能数据基于特定硬件，且部分基线模型参数量较大，比较时需考虑规模差异。
本文提出CGDJ基准，通过显式因果感知和隐式生成预测评估视频生成器的推理能力。研究发现Sora-2、Veo-3.1等模型存在显著的“感知-预测鸿沟”，即能口头描述因果逻辑但无法生成一致的物理结果。高视觉保真度不等于因果正确性，模型可能依赖语言先验而非内部世界模型。
本文提出MoD-VLLM框架，旨在解决长视频理解中Token预算有限与多事件细节捕捉之间的矛盾。现有方法如Token剪枝或关键帧选择易导致细节丢失或错误传播。MoD-VLLM通过正负视频片段定位模块识别相关片段，并利用模块化动态粒度反射模块，对正片段进行细粒度编码以捕捉细节，对负片段进行粗粒度编码以保留全局上下文。结合DPO优化与反事实验证，该框架实现了迭代式自我修正。实验显示，在VideoMME和MEventBench等基准上，MoD-VLLM显著优于LLaVA-Video和Qwen2.5-VL等基线模型。
本文介绍 FVAttn，一种用于视频生成的自适应稀疏注意力系统。针对 Top-p 路由在多 GPU 序列并行中导致的负载不均问题，FVAttn 提出运行时负载均衡与松弛感知稀疏增强机制。实验显示，在 Wan2.2 I2V 上相比 FlashAttention 实现 4.41x 注意力加速。需注意该方法对长序列和硬件通信带宽敏感。
本文介绍Nemotron Labs发布的AV-Flamingo，一个面向长视频与复杂场景的开放音视频智能模型。针对现有模型缺乏长上下文联合理解能力的问题，该工作提出了包含约700万实例的AV-Skills数据集，以及将推理步骤锚定时间戳的TAVIT框架。实验显示，在MMOU、WorldSense等基准上，AVF-Think表现优异，部分指标超越OmniVinci等开源模型，但在MMOU上略低于Gemini-2.5 Pro。模型完全开源，包括权重、代码及数据集，适合需要透明训练流程的研究者。需注意数据集存在来源偏差风险，且极长密集视频推理仍具挑战。
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。