文旅微短剧的共情传播机制:让观众先“入戏”再“出发”
文旅微短剧通过共情传播场域构建、叙事内容触发与深化受众共情、共情反馈生成、共情效应转化,实现从心理态度层面的共情效应到文化认同与行动共同体的转化。其机制依托竖屏9:16呈现、锚点组件、算法推荐等平台技术,以及文旅议题复现集体记忆、多类型角色传递价值观念等叙事策略,为文旅微短剧制播提供借鉴。
文旅微短剧通过共情传播场域构建、叙事内容触发与深化受众共情、共情反馈生成、共情效应转化,实现从心理态度层面的共情效应到文化认同与行动共同体的转化。其机制依托竖屏9:16呈现、锚点组件、算法推荐等平台技术,以及文旅议题复现集体记忆、多类型角色传递价值观念等叙事策略,为文旅微短剧制播提供借鉴。
UniSpark-9B提出,这是一个约9B参数的多模态模型,结合全注意力与GatedDeltaNet线性注意力,支持视觉问答、文生图、指令编辑和交错图文预测。在MME-S上得2470.3分,GenEval上得0.83分。训练数据含159.7M生成样本、213.4M理解样本和624.8K交错序列。
JVT(Just Video Transformer)提出一种简单的大 patch DiT 风格 Transformer,用于像素空间视频扩散,无需预训练自编码器或 U-Net 式跳跃连接。其生成质量在类条件与无条件设置下与潜在扩散基线相当,并支持像素对齐模态的联合生成。通过相机条件 RGB-视差生成,JVT 改善了相机跟随,且无需额外重建模型即可获得显式场景几何。
PixVid 将预训练潜空间视频模型改为直接在像素空间逐帧生成,用卷积头替代 VAE 解码器。该方法从 Wan2.1-14B 微调,约 1.3M 训练片段即可接近潜空间基线,并以相同每帧 token 数生成 2× 更高分辨率。它在快速运动下保持深度条件编辑对齐,并能对每个动作在下一帧响应。
NitroFusion2将对抗扩散蒸馏的少步生成从常规4-8步降至1-2步,质量相当。它通过文本流对抗蒸馏(TSAD)和方面提示判别(ACD)利用MMDiT文本流作为可操控的对抗表示。一步生成即可产生清晰渲染文本和丰富细节,两步时在评估基准中保持竞争力。
MoviEdit是一个端到端框架,用于可扩展的长视频多镜头编辑,同时解决数据、建模和评估挑战。它通过自动数据生成管道产生87K配对编辑视频,无需人工标注,并采用级联双向自回归设计,在时空压缩表示上建立全局一致的编辑草稿,再自回归传播细化。MoviEdit-Bench基准测试显示,MoviEdit显著优于现有开源模型,并在文本引导和图像引导编辑方面与行业前沿模型持平。
Wave Forcing(WF)提出一种面向实时长视频生成的连续流式生成方法,在 Wan2.1-T2V-1.3B 上以5步去噪保持与 Rolling Forcing 相当的质量并提升动态度。
SpecSlot 是一种像素空间整流流 Transformer,通过角色耦合分词将输出细节与全局注意力序列长度解耦。在 ImageNet-512 上,SpecSlot 将 FID 较对照提升 2.84,同时减少 3.9% FLOPs;在文本到图像生成中,DPG-Bench 分数超过 JiT-B/8 1.06,前向成本降低 40.6%。
中国科学院大学、英国卡迪夫大学与可灵 AI 团队联合提出 JointLight,一种面向人物视频的可控重光照方法,相关工作发表于 SIGGRAPH Asia 2026。
微软团队提出 Code Video Model,由 Coding Agent 将 Prompt 转化为 Three.js 程序,把几何布局、物体运动、相机轨迹和事件时序统一为可执行场景表示,程序渲染的预演视频为视频模型提供时空参考。
推荐理由:微软团队用可执行代码替代提示词控制视频生成,免训练的阶段化条件调度让镜头设计在生成前可检查可修改。
OmniShowcase 提出一种从多视角图像生成全向主体一致视频的方法,通过自动数据合成与几何条件化实现 360 度环绕视角下的主体一致性。实验显示其在主体身份和 3D 一致性上达到当前最优,同时保持有竞争力的视频质量与运动。研究还构建了 Showcase-4K 数据集(12 种相机运动、88 种轨迹配置)和 ShowcaseBench 评测集。
北大、复旦、南洋理工团队在 Open-o3-Video 基础上提出 Open-o3-Video-v2,把视频推理改为“发现信息缺口→主动裁剪片段→定位时空证据→融入推理”的多轮智能体流程。
CU Boulder 团队提出 DeepSFU 视频会议 AI 换脸检测系统,直接读取压缩视频中的帧间编码信息,无需解压重建画面,算力消耗比现有模型低 143 倍。该系统在 1000 个含 AI 换脸的在线视频上测试,准确率接近完美,仅需检查每 100 帧中的 1 帧。研究团队希望将其扩展至大规模视频会议场景。
FilmFlow 是一个智能体框架,可将自然语言指令或参考视频转换为动态 3D 环境中的显式相机轨迹。其 Director 智能体通过组合同时控制平移、旋转与构图的原子操作生成可执行相机方案,并由 Interpreter、Scout、Critic 三个专用智能体分别负责提取场景意图、选择初始视角和评估渲染结果以迭代优化。
AnyGameRenderer 是一个视频到视频的生成式渲染器,能把 AI 智能体做出的灰盒、彩色几何体等占位画面转成带角色、动作细节和特效的高质量画面,同时保持布局、相机和每个实体的位置与时序不变。
Verus-Insight 将 AI 生成视频的伪影检测拆解为检查规划、证据验证与证据聚合三个环节,并用人工锚定的全流程监督和渐进式能力训练提升细粒度伪影识别与视频级检测。团队同时发布带细粒度人工伪影标注的 Verus-Bench 基准,实验显示该模型在恢复人类可感知伪影方面有明显提升,且不增加虚假伪影断言。
香港中文大学MMLab、字节跳动及香港科技大学团队提出DuoMatching,让视频生成器同时接受联合分布监督与帧级边缘分布监督,在训练阶段引入图像先验且不增加推理计算。逐帧2步设置下VBench总分从80.67提升到83.53,相对四个基线的整体偏好率均超过80%,动态程度从94.44小幅变为93.61。论文已在arXiv公开,代码与模型权重同步开放。
一篇 102 页综述提出以世界建模为统一视角,把视频基础模型与视频世界模型的研究组织为读取、写入、共享、交互四种操作:读取从观测视频推断世界属性,写入按指定或学习到的世界条件合成视频,共享用共通建模机制整合理解与生成,交互在动作与演化观测下预测并更新世界状态。
研究者提出 Factor-Aware Predictive Learning(FAPL),通过冻结 MLLM 与连接器的潜变量生成器接地训练,让 Video DiT 真正利用 MLLM 潜变量,而非绕过原生条件通路。该方法结合因子跨度替换实现角色、场景、动作与相机的因子感知控制,并在稀疏输入到视频、因子感知编辑、多镜头生成三项电影级视频生成任务上均优于基线。
RealMe 提出一套以高分辨率视频扩散模型为核心的统一框架,可将稀疏、低分辨率的多视角采集增强为 2K、4D 一致的视频,用于体积视频重建。模型将辅助数据编码为 latent 并配合布局感知位置嵌入,把分解式时空注意力适配到多视角采集布局,同时在 latent 空间引入频率损失缩小生成视频与真实采集的差距。
研究者提出免训练稀疏分配方法 ALLOT,将每层与每个去噪步的组合视为单元,通过单元探测与轨迹校准估计其对最终视频误差的贡献,并在实测延迟预算下联合优化各单元密度。
RubatoCodec 是基于 X-Codec-2 的可变帧率语音编解码器,通过 utterance 级事件预算和流式解码实现自适应分词。其 Adaptive Firing 机制利用编解码特征与波形频谱变化划分变长事件,无需学习边界预测器。在低事件率下重建保真度和可懂度优于固定帧率编码,英日基准上可懂度保持最佳,匹配 TTS 对比中 WER 更低、UTMOS 与 UTMOSv2 更高。
研究提出 Future Chunk Prediction(FCP),一种与 teacher forcing 去噪联合优化的辅助目标,在看不到中间视觉上下文的情况下预测时间上相隔的视频块。
DirCast 用单一流式视频语言模型同时完成电竞赛事直播的导播与解说:每秒低分辨率扫描全部选手镜头,由 hold-or-switch 导播模块决定是否切镜,再高分辨率读取所选镜头后开口解说。
SolarRenderer 是一种结构条件视频渲染器,基于冻结的 MiniMax-H3 33B 主干加两个轻量 LoRA,从预训练四步 LoRA 出发实现四步渲染,比 50 步采样快 12.3 倍。
研究者提出一个模型,可为任意骨骼绑定直接联合生成视频与 3D 运动,并估计相机把运动配准到 3D 场景。它把支持任意骨架的 3D 运动模型与预训练视频模型通过少量 cross-attention 层连接,用约 200K 训练对训练,评测中比 video-first 流程更忠实地按文本驱动多种骨骼,并支持视频转骨骼运动、骨骼运动转视频及关键帧控制。
OverSeer 是一种多智能体世界模型,通过在智能体第一人称视角之外引入空间固定的辅助相机视角,作为世界中心表示的代理,帮助模型维持时间与跨智能体的一致性。辅助视角经 delta-VAE 相对静态参考图仅编码变化,显著降低处理所需 token 与计算开销。在 Minecraft、Doom 及真实多相机采集上的实验显示世界与智能体一致性均有提升。
HRoPE 提出表面感知的相对位置编码,将每个 patch 的局部几何表示为倾斜 3D 平面,并把平面诱导的单应性作为相对变换注入注意力,以纠正透视畸变并对齐跨视角 patch 特征。
Fireworks 与 fal 联合发布 EAGLE-4 技术分析及面向创意任务的投机解码基准数据集 Prompt Enhancement SpecBench。该数据集含 400 个样本,覆盖文生视频、图生视频、文生图、图生图四类各 100 例。EAGLE-4 在 Qwen 3.8 27B 上采用滑动窗口注意力与低秩候选头降低草稿成本,验证树由 GPU 延迟测量动态调整宽度与深度。
研究者提出直接在由 DINOv2、SigLIP2、DA3 等 2D 基础模型导出的高维隐式 3D 潜空间中生成 3D 场景,并用扩散 Transformer 在该空间内做扩散建模,避免 2D 多视角或视频扩散带来的表示冗余与空间一致性受限。实验显示该方法在效率与空间一致性上优于 2D 方案,并验证了随表示与模型容量提升的可扩展性。论文已被 NeurIPS 2026 接收,代码已开源。
ActionRoPE 提出一种无参数动作接口,将动作驱动的相机位移转换为世界坐标旋转位置,使同一世界位置的 token 在时间上保持相同位置地址,并配合 Coordinate-Conditioned Noise Scheduling(CNS)按已知-新区域分配去噪调度。
研究团队提出 Halcyon 系列早期融合多模态自回归模型,完全从零在 1 亿图文对数据集 GPIC 上预训练,证明强 T2I 生成不依赖互联网规模语言预训练。
Manga2Animate 是一个多智能体框架,将漫画动画化拆解为动画脚本与视觉分镜两个中间表示,每个表示由创建智能体生成、配对审核智能体对照原漫画分镜审查。框架采用表示专属选择与双层反馈机制逐步精修两者,再合成最终动画。实验与用户研究表明,其产出比现有最优方法更忠实于原漫画、镜头间一致性更好。
研究者提出 Stateful Harness 框架,把世界状态演化与视频渲染分离:由规则维护世界状态,用冻结的视频模型渲染每个事件,再用生成片段更新状态。团队构建 WorldState-Bench,含 50 对反事实孪生样本,在仅靠规则提示下 11 个视频后端中最佳仅 32% 正确;MiniMax-H3 明确指定结局后升至 64%,接入完整框架后达 92%。
InfiniDream 是一个 VLM 驱动的开放式程序化 3D 世界生成框架,通过符号约束资产生成复用现有程序化算法,产出可编辑、基于种子多样化的逼真资产。其端到端文本到世界管线结合语义场景规划与 Deterministic Frustum-Guided Grid Placement,实现大规模 3D 世界的精确物体摆放、程序化填充与动画。
RoAR-VAE 通过从损坏的潜变量中预测语义特征与重建干净图像,提升视觉 tokenizer 的潜空间可扩散性。在相同训练预算下,其生成基准平均性能比最强基线 tokenizer 高 2.19 分,小文本重建准确率比 FLUX.1-VAE 高 16.93 个百分点。
DeOverlay 是一个源锚定流模型,从源潜变量出发、以固定源引导重建干净视频,通过区域加权流匹配训练共享速度网络,实现从中间状态的连续校正。团队同时发布 DVTE-Bench,含 8 类文字叠加共 1,631 对视频,配 OCR 筛选的干净目标与帧对齐像素掩码。
研究者提出 Fréchet Forcing,通过生成锚定、上下文保真与真实感匹配三项约束,在无需教师模型、在线判别器和长视频的情况下微调世界模型及其多步采样器。在 253 帧片段上预训练的 MiniWorld-1B 经最多 36 GPU 小时、381 帧片段微调后,rollout 可稳定超过 4,000 帧,并在机器人操作与相机控制探索中持续跟随动作指令。
WorldCast 构建覆盖 8 类任务、320 个手工案例、1352 个待生成视觉状态的基准,评测 12 个图像模型、统一多模态模型和视频生成系统。GPT-Image-2.5 搭配 GPT-6 Astra 取得 72.8 分,超过参评视频生成系统;改为一次输出全部步骤的网格图后降至 50.1 分。
面向打包多模态掩码的精确序列并行。 它逐层选择 ring attention、稀疏 all-to-all 或 Ulysses,数值与单 GPU 一致,在最多 128 块 H100 上于 48 个案例中的 47 个胜过 FlashMask + Ulysses 混合方案。 https://lumalabs.ai/news/packed-multimodal-attention