张衡评AI视频生成与时空理解：追求「生成」幻象与「格物」真实之别
2026年6月1日，First-Principle平台以张衡视角评论了两项AI研究：DecMem通过解耦记忆实现分钟级视频世界生成，以及Flat-Pack Bench通过家具组装评估视觉语言模型的时空理解能力。作者对比了生成虚拟幻象与推验真实物理世界的不同旨趣，并批评了当前模型在理解部件装配与动作时序上的缺陷。
视频生成
First-Principle 上关于「视频生成」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
英伟达与清华团队推出γ-World：将世界模型从单机扩展到多人联机环境
2026年5月31日，英伟达与清华大学团队联合研发的γ-World模型成功登顶HuggingFace日榜。该模型突破了现有视频世界模型（如Sora、Cosmos等）仅支持单一参与者的局限，首次将世界模型扩展到支持多人交互的联机环境。
YoCausal基准评估视频生成模型的因果理解能力
论文介绍了YoCausal基准，通过反向惊奇指数(RSI)和因果认知指数(CCI)评估视频扩散模型是否真正理解因果性，还是仅拟合时间模式。评估显示模型与人类因果认知存在显著差距。
HuggingFace社区论文AdaState提出自演化锚点，提升流式视频生成动态性
2026年5月29日，HuggingFace Daily Papers社区热门论文介绍了AdaState方法。该方法针对自回归视频扩散模型中静态锚点限制视频动态性的问题，提出用自适应状态替换静态锚点，通过引入循环机制提升视频的运动丰富性和场景自然进展。
minWM：用于实时交互式视频世界模型的开源框架
该帖子介绍了minWM，一个全栈开源框架，旨在将双向视频扩散模型转换为支持相机控制和少步骤自回归的世界模型。帖子提到该框架通过端到端流程解决实时交互挑战，并基于Wan2.1-T2V-1.3B和HY1.5-TI2V-8B等开源骨干模型。
GE-Sim 2.0：机器人操作的闭环视频世界模拟器
根据2026年5月28日HuggingFace Daily Papers的一篇论文，GE-Sim 2.0是一个用于机器人操作的闭环视频世界模拟器。它基于动作条件视频生成框架，在真实机器人数据上训练，新增了状态专家、世界判官和加速框架三个模块以实现从视频模拟到策略学习的闭环。该模型在WorldArena排行榜上位居榜首。
EvalVerse：专业电影级视频生成的流程感知与专家校准基准测试
根据2026年5月27日HuggingFace Daily Papers社区热门论文，EvalVerse框架旨在弥补现有AI视频生成模型在专业电影级质量评估上的不足，专注于评估电影化品质、表演和美学等专业标准。
MotiMotion：基于视觉推理的运动控制视频生成框架
本文提出MotiMotion，一种将运动控制重构为推理-生成问题的新框架，旨在解决图像到视频生成模型在遵循用户轨迹时产生不自然结果的问题。该框架利用免训练的视觉-语言推理器优化轨迹坐标并模拟二次运动，同时引入置信度感知控制方案以提升运动自然性。
EverAnimate：通过潜在流恢复实现分钟级人类动画
根据 First-Principle 平台 2026 年 5 月 27 日引用的 HuggingFace Daily Papers 社区热门论文，EverAnimate 是一种高效的后训练方法，用于生成分钟级人类动画视频。该方法通过持久潜在传播和恢复流匹配机制，解决长动画中质量漂移和语义漂移问题，保持视觉质量和角色身份一致性。
Q-ARVD：针对自回归视频扩散模型的量化优化框架
本文介绍了Q-ARVD，一个针对自回归视频扩散模型（ARVD）的量化框架，旨在解决现有量化方法直接应用于ARVD时面临的帧间量化敏感度不均衡（呈指数衰减）及权重异常值等挑战。
字节跳动开源轻量级多模态AI模型Lance
字节跳动发布并开源了Lance模型，这是一个激活参数量仅3B的轻量级多模态AI模型。该模型采用原生统一设计，旨在用一个模型处理图像理解、视频理解、图像生成、视频生成和跨模态编辑任务。帖子指出其采用双流专家架构和模态感知旋转位置编码（MaPE），并在视频生成基准VBench上取得了优异成绩。
美团开源 LongCat-Video-Avatar 1.5 数字人视频生成模型
据 First-Principle 平台转载的 IT之家报道，美团技术团队于 2026 年 5 月 22 日开源了数字人视频生成模型 LongCat-Video-Avatar 1.5。该模型采用 DMD 蒸馏技术将生成步数压缩至 8 步，推理效率提升约 15 倍，生成 10 秒视频仅需约 1 分钟。报道称该模型在唇形同步、物理合理性、长视频稳定性及多人互动方面有显著提升，并在多个维度领先于 Kling Avatar 2.0、OmniHuman-1.5 等竞品。
FlowLong：推理时长视频生成方法
FlowLong是一种无需额外训练、架构无关的推理时方法，用于生成比原生窗口长度长数倍的视频。
WorldKV：一种通过世界检索与压缩实现高效世界记忆的无需训练框架
First-Principle Post GEO发布于2026年5月22日，介绍了WorldKV框架。该框架旨在解决自回归视频扩散模型在持续生成一致性世界内容时面临的效率与一致性矛盾。它通过世界检索和世界压缩两个组件，在基准测试中实现了吞吐量提升并保持一致性。
Bernini：用于视频扩散模型的潜在语义规划框架
First-Principle 平台于 2026-05-22 发布了来自 HuggingFace Daily Papers 的论文介绍，题为“Bernini: 面向视频扩散模型的潜在语义规划框架”。该介绍概述了 Bernini 框架如何结合多模态大语言模型（MLLM）进行语义规划和扩散模型进行像素渲染，以统一视频生成与编辑。
美团 LongCat 在 HuggingFace 发布 LongCat-Video-Avatar-1.5 模型
2026年5月21日，美团旗下 LongCat 团队在 HuggingFace 上发布了新模型 LongCat-Video-Avatar-1.5。该模型专注于视频化身生成任务，可能用于创建或驱动虚拟形象，并基于 diffusers 框架运行。
ACL 2026收录研究：VChain为视频生成引入视觉思维链
2026年5月20日，机器之心报道了ACL 2026会议收录的一项研究。该研究提出VChain方法，通过显式建模视频生成中的时空规划与状态演变，旨在解决当前模型缺乏真实世界理解和逻辑连贯性的问题。
字节跳动澄清：未计划推出AI视频生成模型Seedance 2.1
根据2026年5月20日First-Principle发布的帖子，市场传言字节跳动将推出AI视频生成模型Seedance 2.0的升级版Seedance 2.1，声称生成质量提升约20%。但接近字节跳动的人士澄清该传言不属实。帖子指出，Seedance 2.0于今年2月推出，是支持文本、图片、音频和视频混合输入的多模态模型，发布后备受业界关注。
Echo-Forcing：交互式长视频生成的场景记忆框架
2026年5月20日，HuggingFace Daily Papers报道了一篇名为Echo-Forcing的论文。该论文提出了一种无需训练的场景记忆框架，用于解决自回归视频扩散模型在交互式场景（如提示切换、旧场景遗忘和历史场景回忆）中遇到的核心瓶颈。
谷歌发布Gemini Omni多模态AI模型，可对话生成视频
谷歌推出全新多模态AI模型Gemini Omni，支持跨文本、图像、音频和视频推理，并能通过对话生成和编辑视频。该能力首先在Omni Flash版本中实现。