**Avatar V：大规模视频参考化身视频生成新突破**

_Avatar V: Scaling Video-Reference Avatar Video Generation_

> 现有的化身视频生成方法多依赖单张静态图片，无法捕捉说话节奏、手势和微表情等动态行为。Avatar V框架通过直接以参考视频的完整token序列为条件，利用稀疏参考注意力实现线性复杂度，并引入运动表示流与身份感知超分辨率，同时从视频参考中学习静态身份属性与动态行为模式。该框架搭配包含1亿训练片段的数据引擎与五阶段训练流程（流匹配预训练、个性化微调、两阶段蒸馏和RLHF对齐），可生成无限时长的1080p视频，在身份保持、唇同步和生成质量上达到最优，全面超越Seedance 2.0、Kling O3 Pro等主流系统。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-15 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.13872)