#video generation

LingBot-Video 是一个 13B 参数的稀疏 MoE 视频扩散 Transformer（活跃参数 1.4B），通过包含物理合理性奖励在内的六项奖励进行了强化学习后训练，并支持基于动作条件的机器人 rollout 预测即世界模型。 该工作通过结合稀疏 MoE 提升效率、强化学习后训练增强合理性，并开源权重与代码，推动了视频生成和世界建模的发展，是机器人与视频合成研究的有力候选。 该模型采用 DeepSeek-V3 风格的稀疏 MoE，拥有 128 个专家和 Top-8 路由，在 RBench 上取得平均最高分，但通用文生视频排名第二。物理合理性奖励由 VLM 评判，尽管加入了真实视频负样本，仍引发对奖励破解的担忧。

LingBot World 的研究人员发布了一个开源权重的交互式世界模型，该模型使用 MoBA 注意力掩码（混合双向和自回归注意力）以及基于长自滚动轨迹的蒸馏后训练，显著减少了漂移，并通过连续 60 分钟的稳定滚动展示了效果。 这项工作解决了交互式世界模型中的一个关键挑战——长滚动过程中的漂移积累——这限制了它们的实际可用性。MoBA 注意力与长滚动蒸馏的结合有望为视频游戏、机器人技术和虚拟环境等应用提供更稳定可靠的交互式模拟。 MoBA 注意力掩码通过动态调度 KV 缓存使得长滚动在计算上可行，模型使用 Plücker 嵌入和 AdaLN 进行相机控制。一个局限性是持久性仅在外观层面，而非身份层面，这意味着离开上下文窗口的区域在重新访问时会被重新生成，而非召回。权重以 CC-BY-NC-SA 许可证发布。

Google DeepMind 的 Gemini Omni Flash 模型在 Video Arena 盲测排行榜上以 1404 分登顶，领先字节跳动的 Seedance 2.0 Mini 达 101 分。 这一里程碑标志着 AI 视频生成排名的重大转变，展示了谷歌在快速发展的生成式 AI 视频领域相对于字节跳动的竞争优势。 Video Arena 的排名基于匿名用户投票，谷歌的视频模型排名相比 Veo 系列时期提升了 7 位。